试析多媒体图像挖掘的关联规则挖掘

由于网络信息量巨大,为了快速找到所需信息,需要采用数据挖掘技术。在众多数据挖掘技术中,关联规则挖掘方法应用十分广泛。所以,在多媒体图像挖掘中应用关联规则十分重要。本文对图像挖掘和关联规则进行了简单介绍,并详细阐述了多媒体图像挖掘中的关联规则挖掘。     

图像数据库关联规则的挖掘方法研究

在多媒体应用中,图像数据库的使用日趋广泛,为了更有效地使用图像数据库,许多数据挖掘技术被用于图像数据库中。本文使用数据挖掘中的关联规则方法来进一步提高图像数据库的性能,基于此构建了一个图像数据库系统,在这个系统中使用了FP增长算法挖掘图像数据的关联规则。     

基于关联规则的多媒体图像数据挖掘

多媒体数据挖掘是目前数据库、多媒体技术和信息决策领域最前沿的研究方向之一,是数据挖掘的一个新兴且富有挑战性的子领域。关联规则是数据挖掘的一种重要方法,它的主要用途是获取各个数据项之间有价值的联系。着重介绍了多媒体中图像数据为代表的关联规则挖掘方法。     

基于改进关联规则的图像挖掘技术研究

图像挖掘技术与关联规则的结合在网络数据索引中占据了先机,但一些功能弊端不可避免。在这样的背景下,对关联规则的编码、特征点排列和运算方法进行改进。改进关联规则将网络数据集合转化为布尔矩阵,实行列内积运算,保留矩阵内大于或等于图像特征最小支持度的逻辑,挖掘出高频特征集合。设计基于改进关联规则的图像挖掘系统,系统包含数据采集、预处理、数据库和图像挖掘四个结构层,给出具备去噪、分压和滤波功能的图像预处理电路,并介绍了图像信息数据库结构,最后通过实验证明系统可进行高效率的图像挖掘,并且图像区分度大。     

应用Aprion算法实现大规模数据库关联规则挖掘的技术研究

随着信息技术的发展,大数据时代的到来,在这种环境下必须进行数据挖掘工作。从大量的应用数据中将潜在的有价值的知识和信息挖掘出来,以便将其应用在实际工作的改进中。目前,数据挖掘的方法有很多,其中关联规则挖掘技术应用比较广泛,这种数据挖掘方式利用Aprion算法,挖掘出置信度和支持度均比较高的关联信息,反映出数据库中的数据相互之间的复杂性和有趣性,进而挖掘出数据之间的有益关联,促进大规模数据库信息挖掘技术的发展,主要从Aprion算法方面分析大规模数据库关联规则挖掘的技术。     

相异关系模式挖掘算法

随着数据挖掘技术的飞速发展，序列模式挖掘已经得到了广泛的应用，国内外很多学者也对序列问的关联规则和负关联规则进行了普遍的研究。     

基于关联规则挖掘的Apriori改进算法

关联规则挖掘是数据挖掘技术的一个重要分支,其中Apriori算法是最经典和最有影响力的算法。本文在讨论和分析了关联规则挖掘的基本概念后,提出了一种减少扫描数据库次数的改进算法。改进后的算法分析证明,它可以有效地提高数据挖掘的性能。     

基于聚类的关联规则挖掘算法的研究及应用

通过对数据挖掘中聚类技术和关联规则挖掘技术的多种算法进行比较研究,提出了基于聚类的关联规则挖掘算法,阐明了具体聚类方法选择的依据,详述了该算法的实现过程,并利用该算法挖掘出校园卡用户消费行为之间简单的关联规则.     

一种遥感影像挖掘的相似性度量方法

遥感影像数据挖掘是一个有着广阔应用前景的研究领域。对图像检索、图像分类、图像聚类、空间关联规则挖掘和图像变化检测等数据挖掘应用而言,相似性度量是基础和前提。采用了图像空间划分的策略,在此基础上计算颜色、纹理和形状等3方面的低层视觉特征来描述图像,采用多维特征空间的网格划分来降低数据维数并建立了影像的相似性度量。实验结果表明,该方法对影像具有一定的几何和光照不变性。     

数据关联规则挖掘理论与数据算法的探讨

在众多不确定因素很强的数据中,如何挖掘数据是非常重要的,这时候关联规则挖掘理论就出现了.因此,在数据挖掘的领域中,关联规则有着突出的研究地位.本文从关联规则的产生背景和相关概念做出了论述.     

基于图像挖掘技术的脑部图像研究

文章的主要工作是利用数学工具和信息技术自动提取和描述帕金森患者脑部切片图像特征,实现脑部病变图像正确识别和分类。实验结果表明本方法具有自动处理快、分析效率高等特点,适用于大脑部分图像的自动处理和分析。     

结合数据挖掘的“数字图像处理”教学内容改革

本文首先阐述了将数据挖掘技术引入到"数字图像处理"教学中的意义,在图像数据的相似性搜索、图像数据的多维分析、图像数据的分类和预测分析、图像数据中的关联规则挖掘、可视化数据挖掘等方面就"数字图像处理"与数据挖掘的结合点进行了分析;然后介绍了项目的实施和应用情况,并对教学内容改革的效果进行了分析;最后对教学内容改革要点进行了概括.     

基于分段Zadeh-x变换的图像挖掘技术

Zadeh-x变换是底层图像挖掘的重要技术之一。在用VC＋＋实现了基于Zadeh-x变换的底层图像挖掘的基础上,分析了Zadeh-x变换的局限性,并从而提出了分段Zadeh-x变换。实验结果表明分段Zadeh-x变换在挖掘效果上更好,其适用范围更广。     

一种利用多主体领域系统进行数据聚类的新方法

提出一种数据聚类方法:MATS,该方法受蚁群算法启发,同时应用存在性技术,例如密度概念和聚类有效性指数(DB-指数)。MATS可以自动根据一些与数据集不直接相关的参数找到簇。实验结果证明了MATS可以识别不规则簇并能有效应用于图像分割,在图像分割速度和效果方面比传统聚类算法(如FCM算法)有明显提高。     

基于特征元素和关联规则的图象分类方法

图象分类是搜索引擎中的重要模块.本文提出了一种基于特征元素的图象分类方法.特征元素与特征向量相比能够根据人的主观感知来提取图象的视觉特征.与传统的基于特征向量的图象分类方法不同,本文提出的图象分类方法不计算特征空间中特征向量之间的距离,而是通过关联规则挖掘发现图象的特征元素与图象所属类别之间的联系.本文实现了该分类算法并将其与一种基于特征向量的图象分类方法NFL相比较.实验的结果证实了所提方法的优越性.     

底层图像挖掘技术中的参数自动寻优

研究了基于人类视觉对比度分辨率限制的底层图像挖掘技术中挖掘参数的自动寻优问题。在用Zadeh-X变换进行底层图像挖掘中,需要求得最佳挖掘参数Sita和Delta。首先筛选出与图像视觉感知质量相关的客观物理质量指标体系:信息熵和平均对比度。其次研究信息熵和平均对比度与图像挖掘参数的函数关系,然后研究其函数特性与主观评价结果的关系,以此建立以信息熵和平均对比度为基础的无参考图像质量评价函数,通过视觉质量最佳图像判据,寻求最佳质量图像所对应的Sita和Delta,从而实现挖掘参数的自动寻优。     

一种改进的基于ICA特征空间的高空间分辨率影像的目标识别

为解决高空间分辨率影像目标的识别问题,一种好的方式是将充分考虑高阶累积量的独立分量分析方法引入高空间分辨率影像进行特征提取,但由于基于传统独立成分分析方法提取的特征空间不能最优区分不同类别的样本。为此,提出一种改进的基于独立成分分析的目标识别方法（Multi-ICA）。该方法为每个类别的样本构造单独的特征空间,通过投影到特征空间,得到表征该类别样本特征的特征向量集合。Multi-ICA方法提取的特征空间是基于某类样本图像的共性特征建立的,同一类别样本间的欧式距离要小于不同类别样本之间的欧式距离。因此,可以将待识别样本分类到具有最小欧式距离的特征空间所对应的类别上。现以北京地区的高分辨率卫星Quickbird影像为例,进行了Multi-ICA、传统ICA方法、主成分分析（PCA）方法,以及Multi-PCA方法的目标识别对比实验。结果表明,提出Multi-ICA算法的识别率有明显的提高,并且在一定程度上缓解了由于样本数量增加导致样本特征向量维数增加的问题。     

基于网页日志的频繁模式挖掘

频繁模式挖掘应用广泛,是数据挖掘中的一个重点研究领域,频繁模式挖掘应用的其中一个领域就是基于网页日志的数据挖掘。在网页日志中发现频繁模式的目的是获得用户的网络浏览行为模式,这些信息可以为广告设计以及创建动态用户日志提供参考。从网页数据挖掘的角度研究了三种频繁模式挖掘方式,这三种方式分别是：网页设置、网页序列以及网页图片挖掘。