最大频繁项集挖掘算法综述

关联规则挖掘是近年来数据挖掘领域中一个相当活跃的领域,频繁项集挖掘是关联规则挖掘中最重要的任务。最大频繁项集的规模远远小于频繁项集的规模,通过最大频繁项集可以导出所有的频繁项集,因此进行了很多专门挖掘最大频繁项集的研究。给出了关联规则和相关术语的基本概念,对最大频繁项集挖掘算法作了分析与评价,便于研究者对已有的算法进行改进,提出具有更好性能的新算法。     

基于Temporal rule的忆阻神经网络电路

忆阻器是一种动态特性的电阻,其阻值可以根据外场的变化而变化,并且在外场撤掉后能够保持原来的阻值,具有类似于生物神经突触连接强度的特性,可以用来存储突触权值。在此基础上,为了实现基于Temporal rule对IRIS数据集识别学习的功能,建立了以桥式忆阻器为突触的神经网络SPICE仿真电路。采用单个脉冲的编码方式,脉冲的时刻代表着数据信息,该神经网络电路由48个脉冲输入端口、144个突触、3个输出端口组成。基于Temporal rule学习规则对突触的权值修改,通过仿真该神经网络电路对IRIS数据集的分类正确率最高能达到93.33%,表明了此神经系统结构设计在类脑脉冲神经网络中的可用性。     

基于改进倒排表和集合的最频繁项集挖掘算法

最频繁项集挖掘是文本关联规则挖掘中研究的重点和难点,它决定了文本关联规则挖掘算法的性能。针对当前在最频繁项集挖掘方面的不足,将集合论引入倒排表以对其进行改进,然后以此为基础提出了几个命题和推论,并结合最小支持度阈值动态调整策略,提出了一个基于改进的倒排表和集合理论的最频繁项集挖掘算法,最后对所提算法进行验证。实验结果表明,所提算法的规则有效率和时间性能比常用的两个最频繁项集挖掘算法,即NApriori和IntvMatrix算法都好。     

频繁项集挖掘的研究进展及主流方法

关联分析作为数据挖掘的主要研究模块之一,主要用于发现隐藏在大型数据集中的强关联特征。而多数关联规则挖掘任务可分为频繁模式(频繁项集、频繁序列、频繁子图)的产生和规则的产生。前者发现数据集中满足最小支持度阈值的项集、序列与子图;后者从上一步发现的频繁模式中提取高置信度的规则。频繁项集挖掘是许多数据挖掘任务中的关键问题,也是关联规则挖掘算法的核心。十几年来,学者们致力于提高频繁项集的生成效率,从不同的角度进行改进以提高算法效率,大量的高效可伸缩性算法被提出。文中对频繁项集挖掘进行深入分析,对完全频繁项集、闭频繁项集、极大频繁项集的典型算法进行介绍和评述,最后对频繁项集挖掘算法的研究方向进行简要分析。     

基于双阈值Apriori算法和非频繁项集的关联规则挖掘方法

针对从本文数据集中的正负关联规则挖掘问题,提出一种基于双阈值Apriori算法和非频繁项集的挖掘方法。首先,对通过逆文档频率(IDF)对语料库中的项(项集)进行加权,筛选出前N%的项集。然后,通过提出的双支持度阈值Apriori算法来提取频繁项集和非频繁项集,以此降低非频繁项集的数量。最后,通过置信度和升降度阈值的判断,分别从频繁项集和非频繁项集中挖掘正负关联规则。其中,创新性的利用了非频繁项集来挖掘正负关联规则。在一个医学文本数据集上的实验结果表明,提出的方法能够有效挖掘出正负关联规则,且能够大大降低项集和规则数量。     

一种改进的正负关联规则挖掘算法

针对传统正负关联规则挖掘算法需要多次扫描数据库并且生成大量候选频繁项集的问题,在对比目前相关研究成果的基础上,提出了一种改进的正负关联规则挖掘算法,它通过两次数据扫描完成对正负关联规则的挖掘,对最大频繁项集的挖掘算法做了改进,有效提高了算法效率,同时对置信度标准做了改进。基于某真实事务集的实验表明,算法提高了规则挖掘的质量和有效性。     

基于图的关联规则改进算法

关联规则挖掘是数据挖掘研究的最重要课题之一。基于图的关联规则挖掘DLG算法通过一次扫描数据库构建关联图,然后遍历该关联图产生频繁项集,有效地提高了关联规则挖掘的性能。在分析该算法基本原理基础上,提出了一种改进的算法—DLG#。改进算法在关联图构造同时构造项集关联矩阵,在候选项集生成时结合关联图和Apriori性质对冗余项集进行剪枝,减少了候选项集数,简化了候选项集的验证。比较实验结果表明,在不同数据集和不同支持度阈值下,改进算法都能更快速的发现频繁项集,当频繁项集平均长度较大时性能提高明显。     

在概念格上基于最大频繁项集关联规则提取算法

许多研究表明概念格是数据分析与规则提取的一种有效工具.本文首先提出基于最大频繁项集幂集格上的规则提取算法.然后对此种算法进行改进,在已建好的概念格上直接从最大频繁项集进行规则提取,因而提高了挖掘关联规则的效率,适用于大型数据库中关联规则的挖掘.     

一种改进的关联规则挖掘算法在入侵检测中的应用研究

为了解决网络入侵检测领域使用Apriori算法挖掘频繁模式效率不高、精度不够的问题,引入自适应步长跃进、动态修剪候选频繁项集的概念,提出一种新的改进关联规则挖掘算法,该算法较Apriori算法有比较明显的优势,可以广泛应用于大规模入侵检测数据库的关联规则挖掘中.     

一种改进的基于矩阵的频繁项集挖掘算法

如何从海量数据信息中挖掘出有用的关联规则已经成为人们广泛关注的问题,而在关联规则挖掘中,首要的问题就是如何高效地挖掘出频繁项集。针对已有FIMM算法作出改进,提出了一种改进的基于矩阵的频繁项集挖掘算法N—FIMM,该算法在FIMM基础上去除大量冗余的非频繁项集的项集,减少计算可能频繁项集的工作量,同时缩小了矩阵规模,提高了空间效率。通过对矩阵操作,一次性地产生所有的频繁项集。试验结果表明,该算法对已有的基于矩阵的频繁项集挖掘算法有了很大的改进,提高了挖掘效率。     

Small-world Hopfield neural networks with weight salience priority and memristor synapses for digit recognition

A novel systematic design of associative memory networks is addressed in this paper, by incorporating both the biological small-world effect and the recently acclaimed memristor into the conventional Hopfield neural network. More specifically, the original fully connected Hopfield network is diluted by considering the small-world effect, based on a preferential connection removal criteria, i.e., weight salience priority. The generated sparse network exhibits comparable performance in associative memory but with much less connections. Furthermore, a hardware implementation scheme of the small-world Hopfield network is proposed using the experimental threshold adaptive memristor (TEAM) synaptic-based circuits. Finally, performance of the proposed network is validated by illustrative examples of digit recognition.     

一种基于免疫和Hopfield神经网络的多峰值优化算法

分析了免疫算法和Hopfield神经网络的优缺点，提出了一种解决多峰值函数优化问题的混合算法。Hopfield神经网络易于硬件实现，具有简单、快速的优点，但是对初始值具有依赖性以及容易陷入局部极值。免疫算法具有识别多样性的特点，但搜索效率和精度不高。将两算法结合起来，优势互补。首先用免疫算法寻优，然后对所得具有全局多样性的解进行聚类分析，所得聚类中心作为Hopfield神经网络的初始搜索点，最后利用Hopfield神经网络逐个寻优。实验表明，该算法是一种有效的求解多峰函数优化问题的方法，与免疫算法相比，搜索效率和精度都较高。     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

基于改进型Hopfield神经网络的盲多用户检测算法

基于Hopfield神经网络没有学习规则,不需要训练,也不会自学习,靠Lyapunov函数的设计过程来调节权值的特点,将广义罚函数与Hopfield神经网络的能量函数结合,基于最小平均输出能量准则,构造出更合适的新目标函数,分析讨论了一种实现DS/CDMA盲多用户检测的改进型Hopfield神经网络方法。仿真结果表明,该算法在误码率、抗远近效应方面都有明显的改善。     

基于Hopfield神经网络的作业车间生产调度方法

该文提出了基于Hopfield神经网络的作业车间生产调度的新方法.文中给出了作业车 间生产调度问题(JSP)的约束条件及其换位矩阵表示,提出了新的包括所有约束条件的计算能 量函数表达式,得到相应的作业车间调度问题的Hopfield神经网络结构与权值解析表达式,并 提出相应的Hopfield神经网络作业车间调度方法.为了避免Hopfield神经网络容易收敛到局部 极小,从而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield 神经网络收敛到计算能量函数的最小值0,从而保证神经网络输出是一个可行调度方案.该文 改进了已有文献中提出的作业调度问题的Hopfield神经网络方法,与已有算法相比,能够保证 神经网络稳态输出为可行的作业车间调度方案.     

基于改进Hopfield神经网络的图像特征点匹配算法

针对图像特征点匹配算法的运行时间呈指数增长的问题,提出了一种新的匹配算法NHop.该算法通过加入新的网络输入输出函数、点对间差异的度量和启发式选择目标点的方式,对传统的Hopfield神经网络进行了改进.新算法不仅解决了传统Hopfield神经网络运行时间长、能量函数易陷入局部极小点的问题,而且也有效地实现了图像特征点的匹配.实验结果表明,与传统的Hopfield神经网络相比,NHop算法的匹配速度更快、准确率更高,对于图像特征点的匹配效果更好.     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.     

一种Hopfield神经网络能量函数改进下的作业车间调度*

由于作业车间调度问题的目标函数目前还无法用换位矩阵的元素以数学公式的形式表示,因此无法保证求出全局最优解。文中首先对换位矩阵表示方法进行了改进,给出新的带有目标函数的能量函数表达式,然后提出改进的Hopfield神经网络作业车间调度方法,并将模拟退火应用于Hopfield神经网络求解,避免了陷入局部极值。仿真结果表明,该方法具有全局搜索能力,并能够保证神经网络的稳态输出为全局最优或近似全局最优。     

一种基于遗传Hopfield神经网络求解TSP问题的算法

针对Hopfield网络求解TSP问题时出现无效解和收敛性能差的问题,对约束条件能量函数进行改进,构造了一种求解TSP问题的遗传Hopfield神经网络算法,并与经典Hopfield神经网络求解TSP方法进行对比.实验结果表明,本文算法具有更好的整体求解性能.