图模式挖掘中的子图同构算法

图模式挖掘问题在Web挖掘、生物信息学、社会关系等众多领域有广泛的应用,它涉及到子图的搜索以及子图的同构问题.这两个问题都具有相当高的计算复杂度,现有的子图同构问题大多采用最小编码算法,但对无标签图特别是对无标签无向图,该算法效率较底,从而子图的同构成为图模式挖掘问题的一个瓶颈.针对无标签图,以代数理论为基础,分别利用度序列和特征值构造了两种子图同构算法,用于对有向图和无向图的同构判别.最后对2个真实生物网络进行了仿真实验,结果表明,算法的效率优于现有算法.     

动力荷载对围压卸载下岩石动态变形模量的影响

利用SHPB岩石动静组合加载实验系统,研究在不同轴压水平下围压以1 MPa/s速率卸载至预加值50%时矽卡岩受频繁冲击作用的动态变形模量变化规律。实验结果表明:高轴压促使岩石内部微裂纹萌发与扩展,降低了岩石抵抗外部冲击的能力。围压的侧向约束阻碍岩石内部裂纹的横向扩展,但在围压卸载时会加剧岩石内部的损伤,这是由于高轴压下,围压卸载导致岩石内部应力重新分布。轴压与围压卸载共同影响着冲击作用下的岩石动态变形模量,通过岩样在冲击荷载下的能量耗散分析岩石动态变形模量的变化规律,有助于了解深部岩体开挖的破坏机制。     

关联规则增量式更新的改进算法

关联规则是数据挖掘中的重要研究内容之一，对在事务数据库不变，只对最小支持度和最小可信度进行改变的情况下，针对关联规则的维护问题，设计了一个增量式更新的改进算法AIUA。     

基于散列技术的高效剪枝关联规则挖掘算法

该算法结合项集的有序特性有效压缩了频繁项集的数量,提高了算法效率,但是频繁2-项集的产生仍需要占用大量的存储空间,本文利用散列函数对候选频繁2-项集进行剪枝,这样频繁集的数目大大减少,不仅节省了存储空间、减少了计算开销,而且又保持了频繁项集的完整性。     

基于模式矩阵的P_Matrix算法

Apriori算法是关联规则挖掘中最经典的算法,该算法需多次扫描数据库并产生海量的候选项目集.利用模式矩阵对Apriori算法进行改进,提出一种P_Matrix算法,它使扫描数据库的次数降为一次,同时不产生候选项目集而直接产生频繁项目集,从而使算法的时间复杂度和空间复杂度大大降低.     

基于关系数据库的频繁项集挖掘算法研究

Apriori算法及其改进是目前应用最为广泛的频繁项集挖掘算法,但其在关系数据库中挖掘频繁项集时,产生大量候选项集,导致重复扫描数据库,从而导致其效率低下.本文在深入研究Apriori算法及其改进算法和关系数据库特征的基础上,提出了基于关系数据库的频繁项集挖掘算法,并详细描述了其实现和优化方法.本算法不产生候选项集,只需一次事务扫描,大幅提高算法执行效率,此外,本算法经过简单修改就能满足大部分的关联分析需求.在零售业中的应用实验证明:该算法在一定的条件下比经典的Apriori算法具有更高的效率.     

基于XML数据挖掘的Apriori算法的研究与改进

XML以其诸多优点,迅速成为不同领域间信息表示与交换的标准。大量XML数据的出现给数据挖掘带来了新的挑战。挖掘XML数据关联规则的大部分工作都是基于Apriori算法的研究。对Apriori算法的基本方法与效率进行了分析,指出其不足,并提出了改进的XApriori算法,该算法基于新的数据结构,利用Hash表的存储技术以及对Apriori算法的优化来提高查找频繁项集的效率。对Apriori算法和XApriori算法进行了比较,实验结果表明改进的XApriori算法优于Apriori算法。     

网络信息披露制度下XBRL金融数据的频繁模式并行挖掘

信息披露制度是上市公司为保障投资者利益、接受社会公众的监督而依照法律规定必须将其自身的财务变化、经营状况等信息向社会及监管部门公开或公告,以便投资者充分了解情况的制度.XBRL作为一种基于XML的可扩展性商业报告语言,目前已广泛应用于财务信息披露制度中,并逐渐成为了信息披露制度的标准数据格式.对XBRL的规范、分类、实例文档进行研究,基于MapReduce和HDFS提出可用于海量XBRL数据的频繁模式并行挖掘方法,基于我国上市公司的XBRL实例数据进行了实验,取得了良好的效果.     

基于事务压缩的频繁项集挖掘和更新算法

频繁项集挖掘是挖掘关联规则的关键。为了得到用户感兴趣的关联规则,要不断调整最小支持度,这必将引起频繁项集的更新。基于事务压缩思想,提出一种挖掘和更新算法,挖掘频繁项集时扫描压缩的数据库,更新时能减少新产生的k-项集的数量,从而加快了更新速度。     

支持多时间粒度的数据流上最频繁K项挖掘

数据流最频繁K项挖掘是指在数据流中找出K个项,它们的支持数大于数据流中的其他项.已有的一些算法只能挖掘整个数据流的频繁K项,而无法找出距离最近的任意时间段内的最频繁K项.因此,提出一种基于多层概要结构的数据流最频繁K项挖掘算法MMF（K）_MS,新算法利用各层节点数目可变的HFVN框架结构来支持对不同时间粒度的查询,同时采用Count-Sketch数据结构来维护各层的概要信息,并通过实验验证了算法的有效性.