如今,隨著現(xiàn)代科學(xué)技術(shù)尤其是計(jì)算機(jī)技術(shù)的快速發(fā)展和信息系統(tǒng)的不斷普及,我們?cè)缫阎蒙碛诖髷?shù)據(jù)時(shí)代。面對(duì)如此龐大的數(shù)據(jù)量,人們顯得束手無策。在這樣的環(huán)境下,數(shù)據(jù)挖掘產(chǎn)生并不斷發(fā)展成熟,它綜合了多門學(xué)科和領(lǐng)域的知識(shí),主要有模式識(shí)別、人工智能、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)等等,在各領(lǐng)域均受到高度的重視。數(shù)據(jù)挖掘的最終目標(biāo)是從看似雜亂的事務(wù)數(shù)據(jù)集中挖掘有用的知識(shí),其中如何在海量數(shù)據(jù)集中準(zhǔn)確高效的挖掘關(guān)聯(lián)規(guī)則是一個(gè)熱門的研究方向,而頻繁模式挖掘是進(jìn)行關(guān)聯(lián)規(guī)則挖掘的第一步。本文主要對(duì)頻繁模式的挖掘方法進(jìn)行研究,重點(diǎn)研究以下幾個(gè)方面:優(yōu)化DiffNodest數(shù)據(jù)結(jié)構(gòu)并應(yīng)用到頻繁項(xiàng)集挖掘算法中;利用改進(jìn)的BPSO算法挖掘大但稀疏的數(shù)據(jù)集;結(jié)合模糊集理論與頻繁項(xiàng)集挖掘算法發(fā)現(xiàn)模糊頻繁項(xiàng)集。本文的主要研究?jī)?nèi)容如下:（1）對(duì)頻繁模式挖掘方法中基于DiffNodeset數(shù)據(jù)結(jié)構(gòu)的算法進(jìn)行了深入的研究,針對(duì)該類算法存在的問題提出了基于BNodeset數(shù)據(jù)結(jié)構(gòu)的挖掘方法,使用一種優(yōu)化的節(jié)點(diǎn)編碼方式即二進(jìn)制編碼方式為各節(jié)點(diǎn)進(jìn)行編碼,并利用多種優(yōu)化策略對(duì)算法的搜索空間進(jìn)行裁剪。通過理論分析和實(shí)驗(yàn)驗(yàn)證,證明提出的算法在挖掘頻繁項(xiàng)集的... 

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 數(shù)據(jù)挖掘研究現(xiàn)狀
        1.2.2 頻繁模式挖掘現(xiàn)狀
    1.3 論文組織結(jié)構(gòu)
第二章 相關(guān)理論基礎(chǔ)
    2.1 關(guān)聯(lián)規(guī)則描述
        2.1.1 頻繁模式基本概念
        2.1.2 關(guān)聯(lián)規(guī)則挖掘步驟
    2.2 Apriori算法
        2.2.1 Apriori算法簡(jiǎn)介
        2.2.2 Apriori算法步驟
        2.2.3 Apriori算法分析
    2.3 FP-growth算法
        2.3.1 FP-growth算法簡(jiǎn)介
        2.3.2 FP-growth算法步驟
        2.3.3 FP-growth算法分析
    2.4 本章小結(jié)
第三章 基于BNodeset結(jié)構(gòu)的頻繁項(xiàng)集挖掘
    3.1 引言
    3.2 DiffNodeset結(jié)構(gòu)
    3.3 基于BNodeset結(jié)構(gòu)的挖掘算法
        3.3.1 二進(jìn)制編碼
        3.3.2 BM樹
        3.3.3 搜索空間
        3.3.4 算法描述
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)結(jié)果比較
        3.4.3 時(shí)間復(fù)雜度對(duì)比
    3.5 本章小結(jié)
第四章 基于改進(jìn)BPSO的頻繁項(xiàng)集挖掘
    4.1 引言
    4.2 PSO算法
        4.2.1 算法描述
        4.2.2 BPSO算法
    4.3 基于改進(jìn)BPSO的挖掘算法
        4.3.1 適應(yīng)度函數(shù)設(shè)計(jì)
        4.3.2 初始種群預(yù)處理
        4.3.3 裁剪搜索空間
        4.3.4 參數(shù)調(diào)整
        4.3.5 算法步驟
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)結(jié)果比較
    4.5 本章小結(jié)
第五章 基于改進(jìn)壓縮樹的模糊頻繁項(xiàng)集挖掘
    5.1 引言
    5.2 模糊集理論
    5.3 壓縮模糊頻繁模式樹算法
        5.3.1 CMFFP算法介紹
        5.3.2 構(gòu)造CMFFP-tree
    5.4 基于改進(jìn)的壓縮樹挖掘算法
        5.4.1 改進(jìn)的CMFFP-tree結(jié)構(gòu)
        5.4.2 搜索空間
    5.5 實(shí)驗(yàn)結(jié)果與分析
        5.5.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.5.2 實(shí)驗(yàn)結(jié)果比較
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
附錄 :作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于Spark的并行FP-Growth算法優(yōu)化及實(shí)現(xiàn)[J]. 顧軍華,武君艷,許馨勻,謝志堅(jiān),張素琪.  計(jì)算機(jī)應(yīng)用. 2018(11)
[2]基于頻繁項(xiàng)集樹的時(shí)態(tài)關(guān)聯(lián)規(guī)則挖掘算法[J]. 王玲,李樹林,徐培培,孟建瑤,彭開香.  控制與決策. 2018(04)
[3]面向正負(fù)關(guān)聯(lián)規(guī)則的方劑配伍規(guī)律挖掘算法[J]. 韓楠,喬少杰,宮興偉,李天瑞,舒紅平,元昌安.  小型微型計(jì)算機(jī)系統(tǒng). 2017(07)
[4]基于數(shù)據(jù)庫(kù)日志關(guān)聯(lián)規(guī)則挖掘的業(yè)務(wù)流程優(yōu)化[J]. 肖宗水,孟令童,孔蘭菊,錢進(jìn).  計(jì)算機(jī)集成制造系統(tǒng). 2017(05)
[5]基于鄰接矩陣的FP-tree構(gòu)造算法[J]. 劉應(yīng)東,冷明偉,陳曉云.  計(jì)算機(jī)工程與應(yīng)用. 2011(07)



本文編號(hào)：3726415