基于梯形云模型的数量型关联规则挖掘方法

摘要

挖掘关联规则是数据挖掘领域的一个重要的研究方向.本文以数据挖掘中关联规则的挖掘为主要研究内容,首先对关联规则起源、应用环境、分类、思想、算法的优缺点等进行了分析学习.介绍了挖掘布尔型数据两种比较流行挖掘算法:生成大项集的Apriori及不用生成大项集的FP-Tree算法,对比分析了两种挖掘算法优缺点.目前,针对布尔型数据的挖掘算法已经比较成熟,而对数量型数据的关联规则挖掘还处于发展阶段.对数量型数据的关联规则挖掘可以有很多种方法,比较直观的思路是将数量型数据转换成布尔型数据进行挖掘,然而传统的转化方法存在属性区间划分不尽合理的问题,导致挖掘的结果没有意义.本文在李德毅院士提出的云模型的基础上,根据实际应用对正态云模型进行扩展,提出将数量型数据转化为布尔型数据的定性定量不确定性转换模型-梯形云模型,该模型把定性概念的模糊性和随机性完全集成到一起,同时又肯定了人们对模糊知识中的完全认定的部分,实现了定性概念与定量数值之间的自然转换.基于该模型的概念划分算法得到的概念反映了此属性中数据在定义域中的实际分布情况,同时由于概念的边界是模糊的,不确定的,因而不是一种硬性的划分方法,所得到的结果更加符合人的思维.在此基础上给出的数量型挖掘算法得到的数值型关联规则具有有效性和可理解性,能够从数据中挖掘出更有意义的知识.

目录

文摘

英文文摘

声明

1绪论

1.1前言

1.2数据挖掘发展历程及现状

1.3数据挖掘研究的主要内容

1.4数据挖掘的研究方向及面临的困难

1.5本文主要研究内容

2关联规则挖掘研究概况

2.1引言

2.2问题描述

2.3 Apriori算法

2.4 FP-tree算法

2.5其它挖掘算法

2.6关联规则的生成

2.7广义关联规则

2.8有价值关联规则的判别

3云模型

3.1引言

3.2云的基本概念

3.3云的数字特征

3.4云发生器

3.5其它云模型

3.6概念的可还原性——云滴的生成

3.7三个数字特征的含义及关系

4数量型关联规则的梯形云发现方法

4.1引言

4.2相关研究

4.3 QARCT算法

4.4云变换

4.5概念划分算法

4.6实验与分析

5结束语

致谢

参考文献：

作者从事科学研究和学习经历的简介、攻读学位期间发表的论文、专利及奖励等、功读学位期间发表的论文