模糊关联规则增量更新算法的研究与应用

摘要

模糊关联规则数据挖掘是在解决数量型属性采用区间划分思想离散化之后，存在边界过硬的问题上提出的，随之很快成为挖掘数据库中关联规则的一个重要研究方向。 进行模糊关联规则挖掘的首要问题是如何对数量型属性进行离散化，以便转化为可以应用现有的比较成熟的布尔型关联规则挖掘算法。此外，随着数据库记录的不断更新，如何实现模糊关联规则的增量挖掘也显得尤为重要，然而现有的关于模糊关联规则的更新和维护的研究却很少。 本文正是基于模糊集合理论对数量型属性关联规则的挖掘进行了研究，将数量型数据借助模糊集合进行离散化，通过FCM聚类算法生成模糊属性集，以解决数量型属性采用区间划分思想而导致的边界过硬问题，从而可以很方便地利用已有的比较成熟的布尔型关联规则挖掘方法，实现模糊关联规则的挖掘。 在此基础上，本文还对模糊关联规则的增量更新算法进行了研究，给出了一种模糊关联规则增量更新算法IUFA，并进行了理论分析和算法描述，使之不仅可以应用于当数据库由于添加、删除或修改记录以引起数据库本身的变化时，如何维护已发现的规则，同时也能够应用于当用户不断调整最小支持度时引发的模糊关联规则的增量更新问题。原型实验结果表明算法是可行的、有效的。最后本文将该算法应用于国电集团经济活动系统分析，给决策支持提供辅助参考。

目录

文摘

英文文摘

声明

第一章绪论

1.1关联规则挖掘及增量更新的概念

1.1.1关联规则基础

1.1.2关联规则的基本概念

1.1.3 Apriori算法

1.1.4关联规则的增量更新

1.2与论文相关的模糊数学知识

1.2.1模糊集合的概念及其表示

1.2.2模糊集合的定义

1.2.3模糊集合的表示

1.2.4模糊集合的运算

1.2.5模糊集的截集

1.2.6贴近度的概念

1.3模糊关联规则增量更新研究背景及现状

1.4论文研究的主要内容和论文结构

第二章数据预处理

2.1数据预处理基础

2.2不同类型属性的数据预处理

第三章模糊关联规则

3.1模糊关联规则基本概念

3.1.1模糊关联规则概述

3.1.2模糊关联规则的支持度和置信度

3.2模糊关联规则的挖掘算法

3.2.1数量型属性的FCM离散化

3.2.2发现频繁模糊属性集

3.2.3产生满足最小模糊支持度和置信度的模糊关联规则

第四章模糊关联规则的增量更新

4.1 IUFA算法描述

4.1.1数据库变化引起的更新

4.1.2用户改变最小支持度引起的更新

4.2 IUFA算法的进一步讨论

第五章实验结果与分析

第六章总结与进一步工作

参考文献

致谢

作者简介