无线传感器网络中能量有效的最小连通支配集算法

提出了一种分布式最小连通支配集求解算法,对Rule K算法中的标记算法进行了优化,从而形成了连通支配集,并通过新的剪枝算法对连通支配集进行了有效缩减.模拟仿真结果表明:在增加算法复杂度的前提下,该算法求得的连通支配集比前算法更小.     

基于数据流的频繁集挖掘

针对数据流特殊的数据类型,提出了一种新的数据流挖掘算法.该算法引入了一个全新的优化方法,将边界集和频繁产生集结合起来.频繁产生集是频繁集的一种无损简缩表达方式.它所包含的模式数量比频繁集所包含的模式数量小若干数量级.边界集是频繁产生模式和其他模式之间的边界,通过观察边界集的变化可以生成新的频繁产生模式.实验结果表明,该算法的性能有明显的提高.     

广义M-集和充满J-集及组合加速逃逸时间法

利用作者构造的迭代函数给出了一种新的广义Mandelbrot-集与充满的Julia-集的组合加速逃逸时间算法,本算法在迭代点位于广义Mandelbrot-集或充满Julia-集内部时也能很快地被判定,在保持了原算法精度的基础上,大大地加快了构造分形集的速度.     

一种新的解决FSC问题的算法

在本文中,我们将回顾为解决频繁集计数(Frequent Set Counting FSC)问题的Apriori类算法,并且提出一个新的算法Apriori-3,原有的经典Apriori算法进行改进.我们的目标是优化Apriori算法中最耗时的阶段,比如2次频繁项目集计数过程.我们主要通过提出一种新的存储候选项集和计算它们支持度的方法,同时使用了一种有效的裁剪技术随着算法的执行能够明显的减少数据集的数量.     

一种新的基于幂集的数据挖掘算法

Apriori算法是经典的关联规则挖掘算法,主要缺点是可能产生大量的候选集和需要多次扫描数据库.从幂集运算的角度提出了一种新的关联规则挖掘算法P_DM算法,实现了只需要扫描一次数据库就产生所有频繁集.实验证明这种算法在中小规模数据挖掘上效率优于Apriori算法.     

广义M-集和充满J-集及组合加速逃逸时间法

利用作者构造的迭代函数给出了一种新的广义Ｍａｎｄｅｌｂｒｏｔ－集与充满的Ｊｕｌｉａ－集的组合加速逃逸时间算法,本算法在迭代点位于广义Ｍａｎｄｅｌｂｒｏｔ－集或充满Ｊｕｌｉａ－集内部时也能很快地被判定,在保持了原算法精度的基础上,大大地加快了构造分形集的速度     

一种新的频繁项集挖掘算法DS-ECLAT

在ECLAT算法的基础上,提出一种新的频繁项集挖掘算法——DS-ECLAT算法。该算法使用回写集和深度搜索最长项集两项新技术,在每次迭代中,无须扫描整个数据库,对于(K+1)项集的探索仅依赖于K项集,并生成K项回写集,下一次迭代时吸取这些回写集,减少了交运算的次数,提高了算法的执行效率。相对于ECLAT算法,新算法减少了内存的需要,具有更好的可伸缩性。     

Vague 集的三维表示

在分析Vague集性能的基础上，提出了Vague集的一种新的三维表示方法，用空间曲线来表示Vague集的隶属函数，能更直观地反映Vague集所包含的模糊信息，在此基础上给出了该Vague集的相似度量算法，反模糊化算法以及近似推理算法。     

求解下模集函数最大值问题的局部搜索算法

给出了求解具有简单约束的下模集函数最大值问题的一种局部搜索算法,并讨论了所给算法的性能保证.该算法的基本思想是:算法每次迭代总是在当前近似解集的邻域内,求出使目标函数取得最大的集合,将其作为新的近似解集.分析表明,所给算法是一种多项式时间近似算法.     

组合加速逃逸时间法构造M—集和充满的J—集

利用作者构造的迭代函数给出了一种新的组合加速逃逸时间算法。本算法在迭代点位于Ｍａｎｄｅｌｂｒｏｔ－集或充满的Ｊｕｌｉａ－集内部时也能很快地被判定，在保持了原算法精度的基础上，大大地加快了构造分形集的速度。     

基于改进频繁模式树的最大频繁项目集更新挖掘算法

在挖掘最大频繁项目集的过程中,通过改变最小支持度阈值可以挖掘更有用的最大频繁项目集,为此提出了一种最大频繁项目集更新挖掘算法UAMMFI(Updating Algorithm for Mining Maximal Frequent Itemsets)。算法基于改进后的频繁模式树结构,在更新挖掘过程中,不需产生候选项目集和条件模式树,并且充分利用先前已挖掘的最大频繁项目集中包含的信息,快速更新挖掘出最小支持度阈值变化后的最大频繁项目集。实验结果表明,算法能够高效更新挖掘最大频繁项目集。     

基于矩阵的频繁项集挖掘算法

在所有频繁项集挖掘算法中,Apriori算法一直是一个经典的算法,但是该算法存在的最大缺陷是要进行多次的数据库扫描并且在挖掘过程中产生大量的候选频繁项集,因此效率很低.提出了利用基于矩阵的方法挖掘频繁项集,很好地避免了这个缺陷.     

快速更新最小频繁概念格

更新挖掘最大频繁项目集是研究动态数据库挖掘的重要方面;文章在量化概念格的基础上,引进最小频繁概念格的概念,提出了一种快速的更新挖掘最大频繁项目集的算法,该算法能够在原有挖掘结果的基础上,快速有效地挖掘出更新后的数据库中隐含的新最大频繁项目集.     

基于Apriori算法的加权关联规则的挖掘

关联规则挖掘主要用来发现数据库中存在的频繁项集.利用权值标识项目的重要程度,提出一种新的关联规则——加权关联规则的挖掘.由于项目权值的引入,Apriori性质不再成立,频繁项集的子集不再一定是频繁的.为此,提出k-最小支持数的概念,对原有Apriori算法进行改进.该算法能够挖掘出现频率小但是带来更大利润的项目,使得挖掘出的关联规则更加满足决策者的需求,也更加符合实际需要.     

基于trie的关联规则发现算法

分析了现有的关联规则挖掘算法,总结了当前的研究概况,从数据结构的角度出发,提出了用trie做数据结构存储交易数据库的所有项集,实现快速产生频繁项集,改进关联发现的性能.该方法只需一次扫描数据库,能够支持小的支持度计数和数据库的动态修改.     

基于有向图的关联规则算法

提出了一种基于有向图的关联规则挖掘算法，采用了垂直二进制位图映射数据库，根据垂直二进制位图来生成有向图，将频繁项的二进制位串作为有向图的权值，通过分析有向图生成最大频繁项集，并给出了最大频繁项集挖掘算法的优势。     

一种基于Hadoop的并行关联规则算法

在挖掘大型数据库的关联规则时,使用并行计算是必需的.针对传统的并行计算,存在不能处理节点失效,难以处理负载均衡等问题,提出基于Hadoop架构实现并行关联规则计算的设计.理论和实验证明,基于Hadoop的并行关联规则计算,能处理节点失效,并且能做到节点负载均衡.     

基于MapReduce的数据流频繁项集挖掘算法

针对传统数据流频繁项集计算中效率低、内存消耗大等问题,本文采用并行计算的思想设计了一种基于MapReduce的数据流频繁项集挖掘算法,首先,对进行数据分块压缩和传输,其次,将数据频繁项的计算分布在负载均衡的数据节点,可以有效保证数据的执行效率.最后通过一次调度处理合并各个节点产生的频繁项集并进行合并.理论分析和实验对比结果均表明,该算法对于并行处理数据流频繁项集的统计问题是有效可行的.     

一种基于关联规则的数据挖掘算法实现与应用

对Apriori算法加以改进,提出了一种更高效的关联规则挖掘算法,在扫描数据库的同时把支持每个项目的事务都标记出来,采用一种新的方法来计算候选项目集的支持度.该算法只需对源数据库进行一次扫描,就可以找出所有的频繁集,具有很高的效率.     

基于连接的频繁集聚类算法

针对大型事务数据库中频繁集的多属性聚类问题,提出一种高效的频繁集聚类算法.以往聚类算法采用基于距离的计算方法,由于受到属性数据的制约,在频繁集挖掘中具有一定的限制.在属性聚类基础上,基于连接对频繁集进行聚类.在算法中先找出数据点的邻居和计算相似度,构造邻居矩阵;然后计算连接数目,确定邻居数目矩阵;最后通过设置判定函数和阈值确定聚类数.通过实验证明,算法能够不仅能有效地完成频繁集的多属性聚类问题,而且还可以进一步发现频繁集在某一层次的相关性.