有关关联规则的挖掘算法研究

研究了入侵检测中关联规则挖掘技术,在Apriori算法的基础上,提出了一种新的算法,该算法将FP-tree映射成为FP-array,那么绝大部分运算是运用布尔逻辑运算完成的,解决了频繁构造条件FP一树的巨大处理开销,从而大大提高关联规则挖掘效率。     

关联规则挖掘算法在选课系统中的应用研究

针对高校网上选课工作中遇到的一些实际矛盾,本文将关联规则挖掘算法应用于选课指导系统中,对系统中存储的大量数据进行挖掘,从中提取出潜在的有用的信息,为高校选修课的开设及学生选课行为提供决策支持.     

关联规则挖掘算法在选课系统中的应用研究

本文针对高校网上选课工作中遇到的一些实际矛盾,将关联规则挖掘算法应用于选课指导系统中,对系统中存储的大量数据进行挖掘,从中提取出潜在的有用的信息,为高校选修课的开设及学生选课行为提供决策支持。     

基于Apriori算法的诈骗案件关联规则挖掘研究

本文利用Excel对诈骗案件源数据进行存储和统计分析,根据统计分析的结果提取对案件分析有效的训练样本,然后应用Apriori算法进行关联规则分析,对诈骗案件内部属性之间存在的关系进行挖掘,实现了从大量诈骗案件信息中获取潜在的、有用的情报信息,在一定程度上达到了辅助破案的目的.     

基于XML的通用关联规则挖掘应用模式

本文分析了关联规则挖掘应用中在通用性、用户简易性以及可扩展性方面所面临的一些困难,提出了一种基于XML的通用关联规则挖掘应用模式。该模式充分利用了XML在自描述能力、异质系统数据交换能力以及可扩展性方面的优势,提供了一个模块化、易于集成、适合于最终用户使用的应用框架。     

在数据库中挖掘定量关联规则的方法研究

数据挖掘技术是实现智能决策支持系统的一个重要手段 ,关联规则是数据挖掘的一个重要内容 .传统的 Apriori算法仅适用于挖掘数据间的定性关联关系 ,但数据间的定量关联关系对决策更有帮助 .属性值的离散映射是挖掘定量关联规则的一个重要环节 ,离散映射中属性值区间的划分粒度是影响数据挖掘质量的一个重要因素 .本文结合粗集理论提出了一个确定属性值划分粒度的方法 ,在此基础上设计出一个挖掘定量关联规则的算法 :Apriori 2 ,利用Apriori 2可以挖掘出大量对决策有帮助的定量关联规则     

关联规则挖掘算法在股票预测中的应用研究——基于遗传网络规划的方法

将遗传网络规划用于解决数据挖掘中的关联规则问题。相对于传统的关联规则挖掘算法,基于遗传网络规划的方法通过其中的遗传算子能够以递增的方式发现关联规则,从而避免了传统方法需要将全部数据库遍历才能得到规则的局限性。通过将要挖掘的关联规则定义为事务间的关联规则,以解决股票市场中的价格预测问题。     

关联规则在教学计划制定中的应用

本文讨论数据挖掘技术中的关联规则在高校教学计划制定中的应用,介绍该技术的应用为教学制定带来的优势,提出了在数据挖掘思想指导下建立教务管理信息系统的思路,从而实现教学计划制定的合理性,向教务管理决策者提供准确、有效的信息支持。     

基于挖掘算法的申银万国行业指数关联规则分析

利用股票的大量历史数据发现规律从而预测股票走势,成为热门的研究课题。为了能更好地观察国内申万行业指数间的联动性与轮动性,同时针对股票的滞后性效应问题,有学者提出了一种基于时间序列的关联规则挖掘算法。文章通过关联规则及其算法,挖掘出我国2010年3月到2022年6月申万行业指数交易数据间的关联现象,从而获得有意义的关联规则,为后期制定投资策略打下基础。     

基于关联规则的数据挖掘技术在网络教学中的应用探讨

本文对关联规则数据挖掘的基本概念与方法作了简介，并结合我校网络教学应用系统为背景，对基于关联规则的数据挖掘在院校网络教学中的教师建设和学生学习等相关应用作了探讨，并对其挖掘的结果进行了分析。     

粗糙集中定量关联规则的发现及其规则约简的方法研究

模式的精确度和解释能力是评价数据挖掘质量的重要标准.本文提出一个利用关联规则技术从粗糙集中发现知识的算法,该算法挖掘出的模式具有较高的精确度.为了进一步提高模式的解释能力,本文又提出一个对规则进行约简的贪心算法.实验结果表明,利用本文提出的数据挖掘方法所发现的模式具有较高的解释能力和精确度.     

基于案例学习的多层次聚类指标客观权重极大熵挖掘模型

本文针对待聚类对象的多层次聚类指标权重配置问题进行了研究。首先运用向量空间模型将聚类对象表征为包含多个层次聚类属性指标的特征空间向量并基于余弦距离测算底层属性指标的相似程度,然后根据聚类指标的层次结构以及相应各层指标的权重系数综合测算对象之间的相似程度,最后根据历史聚类案例中相同类别对象之间相似度较大,不同类别对象之间相似度较小等特点,构建了基于案例学习的多层次聚类指标客观权重极大熵挖掘模型。通过案例分析以及与其他方法的比较研究,证明了本模型的可行性与有效性,为多层次聚类指标客观赋权问题提供了一种新的研究思路。     

基于领域知识和聚类的关联规则深层知识发现研究

本文针对传统关联规则挖掘算法产生大量冗余规则,提出了对关联规则结果进行二次挖掘,并设计了算法对挖掘出的关联规则进行聚类,然后基于已有领域知识对聚类后的关联规则进行新颖度评价,对于新颖度较高价值较大的关联规则可以存储于领域知识库用于决策使用或再次挖掘过程。该算法有效的减少的规则的数量,提高了规则的新颖性和精确度,对商业应用具有很高的价值。文章最后使用UCI开源数据进行了实验分析,并验证了该算法的有效性。     

基于意外度的关联规则深层知识发现及应用研究

为了弥补传统关联规则挖掘产生大量冗余规则、难以直接用于决策支持的不足,本文提出了一种基于用户已有知识的规则意外度评价方法,并在此基础上设计了基于意外度的深层关联规则挖掘算法。算法的优点在于能够将用户已知的规则作为领域知识加入到数据挖掘过程从而有效过滤和已知规则相近的冗余规则,并且可以将新得到的规则加入知识库中实现知识的积累和重用。最后本文采用一个商场数据验证了该算法的有效性,并且对具有回馈模式的关联规则在商品促销中的作用进行了分析。