基于量化规则格的关联规则之分布式获取

在形式概念分析中,提取关联规则是构造概念格的目的之一。量化规则格是为了便于提取规则的扩展概念格。概念格分布处理是先分布构造多个部分概念格,再合并构造出完整概念格,以提高构造格的速度。本文提出一种规则合并技术和相应的算法,由部分量化规则格提取部分关联规则,然后直接进行部分关联规则的合并,得到完整的关联规则,即对关联规则进行分布提取。由于无需构造完整格,并且直接再利用已有的部分关联规则,从而降低了利用概念格提取关联规则的复杂度。最后,给出一个简单的实例,说明算法的正确性,并通过实验验证了算法的有效性。     

量化规则格及其渐进式构造

提取最小无冗余规则的关键是获取频繁封闭项集所对应的同交易项集集合中的最小项集.为了便于利用概念格提取这类规则,本文提出量化规则格,重点讨论在渐进构造格的过程中生成节点所对应的同交易项集中的最小项集的问题,并给出相应的算法.由于量化规则格和格节点对应的具有相同交易集的最小项集是渐进生成的,因此,它适合于从动态数据库中提取最小无冗余的关联规则并且可方便地实现规则的渐增更新.     

基于区间概念格的规则优化方法与应用

区间概念格理论是在区间参数基础上提出的一种新的对象挖掘方法,它能够更精确地处理不确定信息。区间参数[[α,β]]决定了区间概念和格结构,并对区间关联规则产生影响。针对区间参数对关联规则的控制和优化问题,首先提出了基于参数变化的区间概念格结构更新算法,随着区间参数等步长变化,对初始格结构进行更新;然后在此基础上进一步挖掘各区间参数下的关联规则,发现区间参数和关联规则之间的复杂联系,给出了规则库优化算法,该算法通过调整参数达到控制和优化规则的目的;最后对决策形式背景进行规则提取并验证了区间参数对关联规则的具体影响。     

基于频繁量化约简格的非冗余关联规则发现算法研究

作为KDD应用领域重要组成部分的关联规则发现面临着生成过多冗余规则的问题,并成为制约其挖掘效率的主要因素之一;作为一种新的表示数据和知识的有效工具,频繁量化约简格因其是基于支持度筛选而仅保留量化相对约简格中的频繁概念和空概念及其关系的更为简化的扩展概念格结构,所以更加适用于从大规模数据库中进行非冗余规则的发现.提出了一种基于频繁量化约简格的非冗余关联规则发现算法,并进行了相应的发现过程的研究.     

概念格对象渐减维护与关联规则更新

研究概念格对象渐减维护与关联规则更新符合动态环境下概念格应用的需求。提出了对象渐减时概念的更新原则和概念间关系调整方法,并在其基础上设计了概念格对象渐减维护算法;采用了内涵缩减来获得概念蕴含的关联规则,从父子概念内涵差集的变化中发现了对象渐减时的内涵缩减更新规律;获得了对象渐减时的关联规则更新方法。     

关联规则格的渐进式维护算法

关联规则发现作为数据挖掘中核心任务之一,已经得到了广泛的研究。由二元关系导出的概念格是一种非常有用的形式化工具,适于发现数据中潜在的概念。在分析了概念格和关联规则之间的关系的基础上,根据需要对概念格结构——关联规则格进行了修改,同时,采用了带头尾指针的链表作为整体的数据结构,从而提出了基于关联规则格的关联规则渐进式维护算法。该算法可以根据预先给定的置信度∮,在渐进式增加和删除节点时,动态更新关联规则。     

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的增量式更新算法

增量关联规则挖掘的主要思想是在原有规则的基础上,去除那些不满足条件的旧规则,发现满足条件的新规则,目的是尽量减少计算量.增量规则算法主要解决两类问题,即最小支持度的更新和数据库的更新.目前大多数算法对上述两个条件只更新其中一个,另一个保持不变,而实际应用中往往需要两者都更新.通过对数据挖掘中的IUA算法和FUP算法的分析和研究,提出IFU算法,用于解决数据库和最小支持度均发生改变时关联规则的增量式更新问题.相对于IUA算法和FUP算法以及基于他们改进的算法,该算法不仅扩展了更新条件,而且减少了对事务数据库和新增数据库的扫描次数.模拟实验表明IFU算法提高了更新效率.     

基于概念格的关联规则挖掘方法

对概念格在关联规则挖掘中的应用进行了研究.通过将概念格的外延和内涵分别与事务数据库中的事务和特征相对应,可以从概念格上产生频繁项集,进而挖掘关联规则.提出了一种基于概念格的关联规则挖掘方法,在背景中对象约简的基础上,构造出对象约简后的概念格,从新的概念格中先产生基本规则集,再根据用户给出的支持度阈值从基本规则集中挖掘出对用户有意义的规则,并给出了算法描述.该方法求出的关联规则和利用Apriori算法求出的结果是一致的.     

基于改进概念格的无冗余关联规则提取

在介绍概念格相关理论的基础上,提出改进概念格构造算法——Godin算法,在构造概念格的同时增加索引链表,有利于概念格的剪枝。把量化概念格、剪枝概念格与改进算法相结合,给出基于该改进算法的无冗余关联规则提取算法,并证明改进算法和无冗余规则提取算法的正确性和有效性。     

一种改进的增量式数值型关联规则挖掘算法

数据库动态变化后,会使原有的一些规则无效,同时又会加入一些新的规则.重新挖掘费时费力,通常采用增量式挖掘来解决这一问题.对于数值型属性数据库,提出一种改进的增量式数值型关联规则挖掘算法,用于解决最小支持度不变,而数据库动态变化后引起的规则维护问题.引入了隶属函数的概念,说明参数隶属度的确定问题,并通过实例演示算法过程.结果表明该算法可大幅提高效率并可正确揭示数据所蕴涵的知识,具有很好的实用性.     

基于机器学习的配电网监控信息智能分析规则库构建方法

为构建一种具有实时性的配电网监控信息智能分析规则库,提出了基于机器学习的配电网监控信息智能分析规则库构建方法。将规则库中全部配电网监控规则头排序并设成主链,将规则导进链表里生成规则集,保证各个监控信息数据包都存在一个分析规则。使用基于机器学习的配电网故障数据分类方法,识别配电网监控信息中的故障数据,并提取故障数据频繁项...     

基于逆向搜索的关联规则更新算法

对现有关联规则更新算法中的增量式更新算法进行分析,发现在决策者优先关注最大频繁项目集的情况下,该算法不能以较少的数据库遍历次数快速获取最大频繁项集。针对该算法的不足,提出一种基于逆向搜索的方式进行关联规则更新的算法。该算法生成新增项集的所有频繁项集,通过将其中最大频繁项集跟原项集中最大频繁项集进行拼接、修剪,从中获得更新后的最大频繁项集。实例结果表明,该算法既降低了关联规则更新过程中对数据库的遍历次数,又实现了优先获取最大频繁项目集。     

针对规则更新操作的测试数据包选取算法*

防火墙规则集中存在的配置错误主要来源于规则的添加、删除等更新操作。因此进行规则更新时,需要使用测试算法判断更新操作的正确性。现有的测试算法仅从被添加或被删除规则的顶点选取测试数据包,不能检测出所有因规则冲突而导致的配置错误。基于此,提出了一种针对规则更新操作的测试数据包选取算法PCRU。该算法从两处选取测试数据包,即被添加或者被删除的规则的顶点和规则冲突区域。理论分析和仿真实验表明,与现有测试算法相比,在进行规则更新时,PCRU算法只需使用少量的测试数据包,即可检测出所有因规则冲突而导致的配置错误。     

语言值关联规则的增量更新

数据库并非是静态的,而是要经常更新。数据库发生插入、删除和修改等操作后,一方面有可能产生新的关联规则,另一方面现有的一些规则可能不再适用,所以要对关联规则进行维护。提出一种语言值关联规则的增量更新算法。算法通过维护原先的频繁语言值属性集的集合、负边界及其语言值属性集的支持数,使得语言值关联规则更新过程最多需要扫描整个数据库一次。实例分析表明该算法能够有效更新语言值关联规则,并且减少重复计算的开销。     

基于扩展自然序树的概化关联规则增量挖掘方法

概化关联规则挖掘作为数据挖掘领域一个重要的拓展性研究课题,首先提出了一种概化扩展自然序树(generalized extended canonical-order tree,GECT)结构及其增量挖掘算法GECT-IM.该算法对原始分类事务数据库只扫描一次,就可以将所有交易信息映射至一棵压缩格式的GECT,然后通过对更新交易数据集扫描得到更新数据集中各项集的计数,结合相关性质及运算就可以发现大部分更新后的概化频繁项集;其次,针对GECT规模较大以及GECT-IM 算法仍然可能需要遍历初始GECT树的局限,在界定数据库更新和重构概念的基础上,基于一种可量化度量的准最小支持度阈值,提出了一种改进的准频繁概化扩展自然序树(pre-large generalized extended canonical-order tree,PGECT)结构及其增量挖掘算法PGECT-IM.由于有效避免了对初始GECT进行遍历的情形,从而进一步提升了概化关联规则增量挖掘效率.实验证明,提出的概化关联规则增量挖掘算法 GECT-IM 及其优化算法PGECT-IM,比现有增量挖掘算法具有更高的挖掘效率和更好的扩展性.     

Evidence updating based on novel Jeffrey-like conditioning rules

Dempster–Shafer evidence theory (DST) is an important tool for uncertainty modeling and reasoning, where the uncertainty reasoning includes both the evidence combination and conditioning. New conditioning rules for evidence updating in DST are proposed in this paper. First, two new definitions, namely the weak conditional basic belief assignment (BBA) and strong conditional BBA, are proposed in the spirit of conditional probability in the probabilistic framework. Then, the corresponding Jeffrey-like conditioning rules are proposed to update evidence. The proposed methods have some desirable properties for the evidence updating. Some numerical examples are provided, where existing conditioning rules in DST are compared with newly proposed methods. Experimental results and related analyses show that the conditional BBAs and Jeffrey-like rules proposed in this paper are rational and effective.