發(fā)布時間：2022-08-23 14:38

　　針對當前多段支持度數(shù)據(jù)挖掘方法中存在的挖掘效率較低,查全率較低等不足之處,通過相關算法研究,提出基于人工蜂群優(yōu)化的多段支持度數(shù)據(jù)挖掘方法。以數(shù)據(jù)項集支持度思想與重要性質為依據(jù),計算數(shù)據(jù)項集的綜合支持度;構建數(shù)據(jù)關聯(lián)規(guī)則支持度函數(shù),結合最大值最小值定理及介質定理,確定關聯(lián)規(guī)則支持度;根據(jù)數(shù)據(jù)綜合支持度及關聯(lián)規(guī)則支持度計算結果,利用支持向量機進行數(shù)據(jù)空間映射以及數(shù)據(jù)分類;通過構建精英蜂群策略及偵查蜂搜索機制更新,對傳統(tǒng)人工蜂群算法進行改進,利用改進后人工蜂群算法優(yōu)化支持向量機參數(shù),提高數(shù)據(jù)分類挖掘精度。實驗結果表明,所提方法的挖掘效率及查全率高于實驗對比方法,且支持度預估誤差明顯低于實驗對比方法。 

【文章頁數(shù)】：4 頁

【部分圖文】：

種方法的查全率比較

種方法的支持度估計誤差比較

【參考文獻】：
期刊論文
[1]基于數(shù)據(jù)集稀疏度的頻繁項集挖掘算法性能分析[J]. 肖文,胡娟.  計算機應用. 2018(04)
[2]非結構化網(wǎng)絡中有價值信息數(shù)據(jù)挖掘研究[J]. 林媛.  計算機仿真. 2017(02)
[3]基于數(shù)據(jù)立方體的多最小支持度關聯(lián)規(guī)則在犯罪分析中的應用[J]. 王海波,張永田,吳升.  測繪科學技術學報. 2016(04)
[4]時間序列數(shù)據(jù)挖掘的相似性度量綜述[J]. 陳海燕,劉晨暉,孫博.  控制與決策. 2017(01)
[5]一種用于云計算數(shù)據(jù)庫的數(shù)據(jù)挖掘方法研究[J]. 張兵.  控制工程. 2016(06)
[6]基于改進FSVM的數(shù)據(jù)挖掘分類算法[J]. 趙小強,張露.  蘭州理工大學學報. 2016(02)
[7]一種強化互學習的人工蜂群算法[J]. 羅浩,劉宇.  計算機工程與應用. 2016(16)
[8]基于潛在語義信息的城市功能區(qū)識別——廣州市浮動車GPS時空數(shù)據(jù)挖掘[J]. 陳世莉,陶海燕,李旭亮,卓莉.  地理學報. 2016(03)
[9]《中醫(yī)方劑大辭典》含丹參、紅花藥對組方規(guī)律數(shù)據(jù)挖掘分析[J]. 崔一然,劉欣,申丹,楊洪軍,唐仕歡.  中國中藥雜志. 2016(03)
[10]多尺度數(shù)據(jù)挖掘方法[J]. 柳萌萌,趙書良,韓玉輝,蘇東海,李曉超,陳敏.  軟件學報. 2016(12)



本文編號：3677948