导读:本文包含了模糊关联规则挖掘论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模糊,规则,频繁,函数,故障诊断,数据挖掘,理论。
模糊关联规则挖掘论文文献综述
吴瞻宇,董明,王健一,汪可,李金忠[1]（2019）在《基于模糊关联规则挖掘的电力变压器故障诊断方法》一文中研究指出在对变压器故障的状态监测过程中,故障特征量在某些情况具有不确定特性,所以判断变压器运行状态的过程具有一定的模糊性,确定性的关联规则难以有效地表达特征量与故障之间的关系。为建立更准确有效的变压器故障诊断模型,文中对经典的Apriori算法进行优化,在利用主成分分析对多源参数进行优选后,将其扩展到包含模糊属性的事务当中,并与传统IEC叁比值相结合作为特征量共同提取规则,所建模型的执行效率及准确度相比原Apriori算法更高,且可进一步运用至变压器多源参数的关联规则挖掘。结果表明,结合叁比值共同提取的规则,其正判率将大幅提高,且模糊理论与叁比值相结合所提取的规则,其正判率高于经典集合理论与叁比值相结合所提取的规则,最后经由Apriori算法提取的复合规则,其正判率较高。利用文中所建立的模糊关联规则模型可更准确高效地诊断变压器故障,从而有效服务于电力设备的运维工作。(本文来源于《高压电器》期刊2019年08期）
刘小燕,王健[2]（2018）在《基于多数据库的模糊元关联规则挖掘方法》一文中研究指出分布式环境下,数据的特征是规模大、分布式存储。采用传统的数据挖掘技术分别对每个数据集进行分析一般都容易实现,但是要对全部数据进行整体决策时就比较困难。为此,提出一种新的挖掘方法,可以从多个数据集中挖掘规则。提出元关联规则生成模型,可以发现在每个独立的数据集中挖掘的规则之间的共同联系。设计清晰元关联规则和模糊元关联规则两种框架,对清晰元关联规则挖掘算法和模糊元关联规则挖掘算法做了对比。结果表明,模糊元关联规则挖掘方法在易用性和精确性方面比清晰方法要好。(本文来源于《计算机应用与软件》期刊2018年05期）
章武媚,董琼[3]（2019）在《不确定性数据中基于GSO优化MF的模糊关联规则挖掘方法》一文中研究指出针对不确定性数据中模糊关联规则的挖掘问题,提出一种基于群搜索优化(GSO)算法优化隶属度函数(MF)的模糊关联规则挖掘方法。首先,将不确定性数据通过叁元语言表示模型进行表示;然后,给定一个初始MF,并以最大化模糊项集支持度和语义可解释性作为适应度函数,通过GSO算法的优化学习获得最佳MF;最后,根据获得的最佳MF,利用改进型的FFP-growth算法来从不确定数据中挖掘模糊关联规则。实验结果表明,该方法能够根据数据集自适应优化MF,以此实现从不确定数据中有效地挖掘关联规则。(本文来源于《计算机应用研究》期刊2019年08期）
许栋浩,李宏伟,张铁映,樊超,朱燕[4]（2016）在《一种顾及模糊属性的空间关联规则挖掘方法》一文中研究指出针对传统空间关联规则挖掘对数据硬化分导致的"尖锐边界"问题,提出了一种顾及模糊属性的空间关联规则挖掘方法。该方法引入模糊集理论,将模糊空间属性通过隶属函数转化为隶属度表示的模糊数值,从而将其划分为模糊集合。然后使用改进的模糊关联规则挖掘算法扫描数据库,根据相应的支持度得到频繁项集,最终提取出关联规则。实验结果表明,该方法能够对带有模糊属性的空间数据进行关联规则挖掘,且在一定程度上提高了挖掘结果的兴趣度。(本文来源于《测绘科学技术学报》期刊2016年03期）
冉娜[5]（2016）在《模糊关联规则挖掘技术在推荐系统中的应用》一文中研究指出在一个大型购物网站的数据库中,各个数据的属性之间存在着各种各样的关联,这些关联就隐含在数据库所包含的数据中,我们挖掘的目的就是找出这些隐藏的关联。模糊关联规则挖掘是数据挖掘技术的一个重要研究方向,也在众多应用领域中取得了理想的效果。向用户进行个性化的产品推荐是网站常用的吸引用户关注度的方法。研究模糊关联规则在推荐系统中的应用。(本文来源于《技术与市场》期刊2016年05期）
周越[6]（2016）在《多域分布式网络中告警模糊关联规则挖掘的研究》一文中研究指出当网络故障产生时,会在相邻的节点间引发并产生大量的告警,它们之间必然存在一定的紧密关系,进行故障诊断,关键是分析告警相关性,压缩冗余无关的告警来定位出故障根源。数据挖掘技术可以解决相关性分析中关联规则来源的瓶颈问题并减少对管理人员以及专家的依赖。网络告警和网络故障原因之间存在着某种模糊的因果关系,而传统布尔逻辑难以描述两者间的这种模糊关系,而模糊理论的语言可以精确描述这一关系。另一方面,考虑到在大型的通信网络的分布式结构下,不仅要挖掘域内的告警模糊关联规则,而且要挖掘域间的关联规则。论文针对上述问题同时结合多域分布式网络的背景,将数据挖掘技术中的关联规则挖掘与模糊理论技术结合起来,完成对大型通信网络域内及域间告警模糊关联规则的挖掘。主要的研究内容以及创新点包括:1.鉴于原始告警不能直接进行规则的挖掘,论文对其信息字段进行了相应的提取,统一了信息模型。并结合大型通信网络多域分布式的结构特点提出了一种各个子域事务库提取机制同步建立告警事务库的策略。2.对告警事务库中的告警项量化处理后,针对传统的FCM聚类算法的模糊化技术在处理大规模告警数据时效果难以令人满意以及FCM算法的聚类效果和收敛速度对聚类中心的初始化值敏感的问题,论文提出了使用Canopy聚类先对数据进行“粗”聚类,再使用FCM算法进一步“细”聚类的基于Hadoop平台的CPFCM算法来对量化后的告警数据进行模糊化。仿真结果表明:MapReduce化的CPFCM算法比MapReduce化的FCM算法具有更好的聚类效果和运行速度,并且模糊化后的结果用于告警模糊关联规则挖掘效果更好。3.针对基于Apriori的FDMA算法需要多次扫描数据库,时间效率较低的缺陷,论文将基于Fuzzy FP-tree(频繁模式树)的模糊关联规则挖掘算法用于告警模糊关联规则挖掘中,并结合多域分布式网络的特点做了进一步改进,提出了局部-局部的基于Hadoop的FFPLLA(Fuzzy Frequent-Pattern tree Local-Local Algorithm)和全局-局部的FFPGLA(Fuzzy Frequent-Pattern tree Global-Local Algorithm)两种算法。通过仿真验证了两种算法具有良好的时间效率,并具有较好的准确率可以有效地挖掘多域分布式网络的告警模糊关联规则,为网络故障诊断系统的模糊推理模块提供推理依据。并进一步分析对比了这两种算法的优点、缺点及使用场景。(本文来源于《电子科技大学》期刊2016-05-12）
魏婷[7]（2016）在《模糊预测模型在动态关联规则挖掘中的应用》一文中研究指出随着计算机、通信和Internet技术的迅猛发展,以及日常生活自动化技术的广泛使用,多类型的数据正在以空前的速度产生和被收集着。数据挖掘正是通过分析存储在数据库中的数据,来揭示其中暗含的未知信息和验证已知规律,进而辅助决策的制定。在数据挖掘领域中,关联规则作为最早最活跃的研究方向,已成为当前的热门研究点。早期的关联规则挖掘忽略了时间因素,是一种建立在事务数据库之上的静态挖掘方法,它认为挖掘所得的规则将永久有效。但在不断地应用、研究及总结后得出,现实生活中基于数据库挖掘出的规则都跟时间有着密切的相关性。因此,为进一步掌握规则随时间变化的特点,研究者提出了动态关联规则的概念。动态关联规则挖掘依据年、月、日等时间粒度划分事务数据集,并加入了支持度向量以及置信度向量,将其作为新的规则的评价指标。然而,尽管考虑到了时间因素,但这种传统的建立在已有数据上的挖掘并不能确保规则在将来的时效性。另外,不少研究者将动态关联规则的研究重点主要放在了挖掘算法的改进上,目前很少考虑到所得规则的可靠性。故而,为提高挖掘质量,对动态关联规则挖掘展开更全面的探索是非常有意义的。本文在对模糊集等相关理论的研究基础上,将模糊预测精度高及小样本建模的优势融合到动态关联规则挖掘中。首先针对模糊时间序列方法存在的问题,提出了基于聚类划分思想的模糊时间序列预测模型,并通过不同方法的实验对比证明了算法的有效性;然后在此基础上结合马尔可夫链理论建立了模糊-Markov和模糊-灰色两种组合预测模型,经过不同类型数据集的建模分析和实验对比后,发现在样本规模较小的支持度计数预测中,模糊-灰色组合模型因综合各单项预测模型的知识而表现出更强的实用性及更高的预测精度;最后针对网购客户行为分析的实际案例,结合模糊-灰色预测模型建立基于交易繁忙时段数据集的动态关联规则挖掘模型,最终挖掘出具有指导意义的规则。通过对挖掘所得规则含义的分析及其支持度变化趋势的预测,发现本文建立的模型对于动态关联规则的支持度序列有着良好的预测效果,相对于传统挖掘方法能够更多的挖掘出一些潜在的有效规则。这说明将模糊预测模型应用在动态关联规则的挖掘中可以更深入地分析规则的变化情况,掌握规则随时间的具体变化趋势,从而达到进一步提高动态关联规则挖掘质量的目的。(本文来源于《兰州交通大学》期刊2016-04-01）
吕现彪[8]（2015）在《模糊关联规则挖掘算法的研究》一文中研究指出近年来,关联规则挖掘因可以从二值型数据集中提取项之间隐藏或蕴含的关系而成为了一个重要的研究议题。它通过两个步骤来寻找规则,首先是在既定的最小支持度下寻找频繁项集,然后利用既定的最小置信度从频繁项集中产生规则。但这个过程中存在着叁个主要问题;其一,在寻找规则时需要频繁的访问数据库且先验的逐层搜索会产生大量候选项集;其二,传统的挖掘算法只能处理二值型数据集;其叁,为挖掘规则需要先找到合适的最小支持度和最小置信度,而这是一个很困难的工作。过去,研究人员利用1-型模糊集合来处理量化数据集,他们利用模糊函数将量化数据集中的项转化成多个拥有隶属度值的语言性术语,而2-型模糊集合作为1-型模糊集合的扩展也被用来处理量化数据的不确定性问题,因为它可以更好揭示项之间的关系。基于2-型模糊集合的逐层搜索算法在过去被提出以用于模糊频繁项的挖掘,但它使用逐层产生后测试的搜索方式而需要耗费大量的计算。同时,在从得到的候选项集中去判断真正的频繁项集时需要频繁的访问数据集。为解决上述问题,本研究提出了一个模糊list结构以用于模糊频繁项的挖掘,它结合2-型模糊集合来处理量化数据集,同时记录项在事务中必要的信息以供后续的挖掘过程使用。基于此结构本研究提出了基于list的模糊频繁项挖掘算法,同时使用两个剪枝策略来减少空间搜索以加快频繁项的挖掘。实验表明,同基于先验方式的最新方法相比,提出的算法可以减少大量的计算时间,同时在遍历节点数目上平均减少约23%。在进一步的工作中,本研究提出了一个改进的list结构以增强剪枝策略的作用,此改进结构不再使用实际最大值而是相对最大值。从实验中发现,同原list结构相比,新结构在遍历节点数上平均减少约14%,同时也大量减少了运行时间。因为在挖掘过程中找到合适的最小支持度和最小置信度是非常困难的,而针对这个问题的研究中,项之间基于命题逻辑的一致关系被研究出来,所以本课题研究了结合利用改进list结构和2-型模糊集合以用于在量化数据集中挖掘一致关联规则,并提出了基于list的模糊一致关联规则挖掘算法,而且使用两个剪枝策略来减少空间搜索。实验表明,同原有方法相比,算法使用相似内存并大量减少了运行时间,且在遍历节点数上可以平均减少约48%。(本文来源于《哈尔滨工业大学》期刊2015-12-01）
王佳,李宏光[9]（2015）在《工业报警序列的模糊关联规则挖掘方法》一文中研究指出面向寻找工业报警序列根源,抑制报警泛滥,论文提出了一种模糊加权关联规则挖掘方法,结合模糊集合、Apriori数据挖掘算法和时间序列分析挖掘报警关联规则。基于报警数据的时间约束属性和相似度约束属性,利用相似度作为模糊加权关联规则挖掘算法的权重,提高挖掘效率和准确性。并且,相对于定量表达,模糊关联规则对于操作者来说更加容易使用。工业实例验证了方法的有效性。(本文来源于《化工学报》期刊2015年12期）
付裕[10]（2015）在《基于模糊的关联规则挖掘研究》一文中研究指出关联规则挖掘是数据挖掘中的重点研究内容之一。而在关联规则挖掘中又有多个不同的研究分支,其中按数据集中属性的类型可分为布尔型关联规则挖掘和数量型关联规则挖掘。对于布尔型挖掘人们已经进行了较多研究且取得了很多有价值的方法,而对于数量型关联规则挖掘的研究还有欠缺,因此本文主要针对数量型关联规则挖掘方法展开研究。本文给出了BFCFPM算法挖掘模糊关联规则。该算法继承了FP_Growth算法中的递归挖掘思想,将其扩展应用到了模糊领域。BFCFPM算法主要思想是:首先使用FCM聚类技术将数量型数据集映射为模糊数据集,然后把模糊数据集压缩存储在IFFPT中,最后在IFFPT上递归地挖掘模糊频繁项集。该算法在提取模糊关联规则时有效地避免了因为属性离散化而造成的信息损失与规则的减少,同时减少了扫描数据集的次数。经测试该算法具有较好的性能。本文又给出了FMFFI算法。其主要是针对BFCFPM算法在处理数据集记录数较多而项的个数较少时还需要建立IFFPT的数据存储问题。FMFFI算法的主要思想是:应用FCM聚类技术将数量型数据集映射为模糊数据集,在搜索模糊频繁项集时采用从高维向低维与从低维向高维双向的搜索方式。从低维到高维的搜索方式采用Apriori算法的思想,而从高维到低维的搜索时,是自最大模糊超集起,按次删除一个模糊1-项集来进行搜索。经测试,FMFFI算法同样具有较好的性能。(本文来源于《西安科技大学》期刊2015-06-30）
模糊关联规则挖掘论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
分布式环境下,数据的特征是规模大、分布式存储。采用传统的数据挖掘技术分别对每个数据集进行分析一般都容易实现,但是要对全部数据进行整体决策时就比较困难。为此,提出一种新的挖掘方法,可以从多个数据集中挖掘规则。提出元关联规则生成模型,可以发现在每个独立的数据集中挖掘的规则之间的共同联系。设计清晰元关联规则和模糊元关联规则两种框架,对清晰元关联规则挖掘算法和模糊元关联规则挖掘算法做了对比。结果表明,模糊元关联规则挖掘方法在易用性和精确性方面比清晰方法要好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊关联规则挖掘论文参考文献
[1].吴瞻宇,董明,王健一,汪可,李金忠.基于模糊关联规则挖掘的电力变压器故障诊断方法[J].高压电器.2019
[2].刘小燕,王健.基于多数据库的模糊元关联规则挖掘方法[J].计算机应用与软件.2018
[3].章武媚,董琼.不确定性数据中基于GSO优化MF的模糊关联规则挖掘方法[J].计算机应用研究.2019
[4].许栋浩,李宏伟,张铁映,樊超,朱燕.一种顾及模糊属性的空间关联规则挖掘方法[J].测绘科学技术学报.2016
[5].冉娜.模糊关联规则挖掘技术在推荐系统中的应用[J].技术与市场.2016
[6].周越.多域分布式网络中告警模糊关联规则挖掘的研究[D].电子科技大学.2016
[7].魏婷.模糊预测模型在动态关联规则挖掘中的应用[D].兰州交通大学.2016
[8].吕现彪.模糊关联规则挖掘算法的研究[D].哈尔滨工业大学.2015
[9].王佳,李宏光.工业报警序列的模糊关联规则挖掘方法[J].化工学报.2015
[10].付裕.基于模糊的关联规则挖掘研究[D].西安科技大学.2015
论文知识图
