检索结果-内蒙古大学图书馆

计算机应用研究 2016年第4期33卷 983-988页

作者：李立波白树仁陈磊张威湖南大学信息科学与工程学院长沙410082 国家超级计算长沙中心长沙410082

对于不确定数据的频繁序列模式挖掘,会导致可能频繁模式数量的指数级出现,其中有些无用的挖掘结果会引起频繁序列的冗余。针对上述不足,提出了可能频繁闭序列模式(p-FCSPs)的定义,以及一种基于不确定数据的可能频繁闭序列挖掘算法U-FCS... 详细信息

对于不确定数据的频繁序列模式挖掘,会导致可能频繁模式数量的指数级出现,其中有些无用的挖掘结果会引起频繁序列的冗余。针对上述不足,提出了可能频繁闭序列模式(p-FCSPs)的定义,以及一种基于不确定数据的可能频繁闭序列挖掘算法U-FCSM。此算法中,基于一种元组不确定数据模型计算序列的可能频繁性,应用BIDE算法的闭序列思想判断可能频繁序列是否是可能频繁闭序列模式;为了减少搜索空间与避免冗余的计算,应用了几个剪枝与边界技术。U-FCSM算法的有效性与效率通过大量的实验得以表明。

关键词：不确定数据可能频繁闭序列模式概率频繁不确定数据挖掘闭序列模式序列模式增长

来源：评论

学校读者我要写书评

暂无评论

基于不确定图数据频繁挖掘的研究

基于不确定图数据频繁挖掘的研究

引用

作者：何林波江西理工大学

学位级别：硕士

21世纪是一个信息至上的时代，各行各业每分每秒都在追赶着信息的脚步，如何从海量的信息中发现有价值的信息是一大挑战。图数据挖掘由于图数据结构的优势深受广大研究爱好者的青睐，被广泛应用于各行各业中，如生物领域、化学领域、社... 详细信息

21世纪是一个信息至上的时代，各行各业每分每秒都在追赶着信息的脚步，如何从海量的信息中发现有价值的信息是一大挑战。图数据挖掘由于图数据结构的优势深受广大研究爱好者的青睐，被广泛应用于各行各业中，如生物领域、化学领域、社交网络领域等。如何从图数据中发现有趣的模式已成为数据挖掘领域的一个重要研究方向。本文在研究了图挖掘的应用背景、基本原理与国内外关于图挖掘的现状的基础之上，分析了图挖掘中还存在的一些问题，针对目前的几个不确定频繁子图挖掘算法的不足之处，提出了相应的改进算法。本文的主要研究成果如下： (1)针对挖掘不确定频繁子图的经典MUSE算法存在期望支持度计算消耗大、时间效率不够高等问题提出了一种基于边支持度树的宽度优先搜索算法EBFS。它首先用改进过的gSpan算法进行不确定的子图数据预处理，然后将处理过后的数据进行划分，并在划分的子块中构建支持度树，最后对支持度树采用宽度优先搜索算法挖掘频繁子图，实验结果表明，EBFS算法在大数据的情况下显得效率更高。 (2)针对挖掘极大不确定频繁子图的RAKING算法存在时间效率与空间效率不够高的问题提出了UDMFS算法。UDMFS算法本算法是基于EBFS的，整个算法由两个阶段构成：第一阶段是通过EBFS算法产生不确定的频繁子图集；第二阶段是从频繁子图集中按最右规则扩展，产生一个新的候选极大频繁子图，再通过计算该候选子图的期望支持度与判断其能否继续最右规则扩展，将产生一个极大频繁子图，实验结果表明，UDMFS算法在挖掘极大频繁子图上是高效的。

关键词：不确定数据挖掘期望支持度划分边支持度树极大频繁模式最右规则极大不确定频繁子图集

来源：评论

学校读者我要写书评

暂无评论

不完美数据中的知识发现研究综述

不完美数据中的知识发现研究综述

引用

第六届（2011）中国管理学年会——商务智能分会场

作者：杨光飞党延忠大连理工大学系统工程研究所

在数据挖掘和知识发现过程中,人们实际遇到的数据常常是不完美的,这种现象已经引起越来越多的关注。在本文中,我们将数据的不完美性分为几种类型,包括:数据量不足、数据不确定、数据不完整、数据不纯、数据异常等,依据不同类型所属的粒... 详细信息

在数据挖掘和知识发现过程中,人们实际遇到的数据常常是不完美的,这种现象已经引起越来越多的关注。在本文中,我们将数据的不完美性分为几种类型,包括:数据量不足、数据不确定、数据不完整、数据不纯、数据异常等,依据不同类型所属的粒度将其纳入一个统一的粒结构中,综述了现阶段的若干研究方法,包括:迁移学习、不确定数据挖掘、数据预处理等。

关键词：不完美数据挖掘迁移学习不确定数据挖掘粒计算

来源：评论

学校读者我要写书评

暂无评论

不确定数据聚类研究

不确定数据聚类研究

引用

作者：李雪大连理工大学

学位级别：硕士

不确定数据是近年来在传感器网络(WSN)、无线射频识别(RFID)等领域中涌现出来的一类新数据,对不确定数据聚类分析已经成为数据挖掘领域研究的新热点。本文阐述了数据不确定性形成的原因和表现形式,列举已有的不确定数据聚类算法的基本... 详细信息

不确定数据是近年来在传感器网络(WSN)、无线射频识别(RFID)等领域中涌现出来的一类新数据,对不确定数据聚类分析已经成为数据挖掘领域研究的新热点。本文阐述了数据不确定性形成的原因和表现形式,列举已有的不确定数据聚类算法的基本思想和优缺点,通过这些分析了解到,现有不确定数据聚类算法主要是对传统的聚类算法进行扩展而形成的,算法的流程也都是基于经典的确定对象聚类算法流程。由于数值型数据的聚类问题已经被证实了是NP-难解的组合优化问题,而骨架作为全局最优解的共同部分是获得NP-难解问题启发式算法的有利工具。但是在很多问题中骨架很难获得,近似骨架可以很好的模拟全局最优解,所以对于很多NP-难解问题都采用近似骨架进行算法优化。本文提出了一种基于近似骨架的不确定数据聚类算法框架ABAUDC,主要分为初始聚类产生局部最优解、构造近似骨架和二次聚类三个模块。它采用已有的CKMeans算法作为生成局部最优解的初始聚类算法,简化了对不确定数据对象期望距离的计算。在获得近似骨架后,将约束条件加入到不确定数据集中,并调用SS-UKMeans作为二次聚类算法进行半监督学习。 ABAUDC算法特点:一是具有很好的灵活性,它提供的是一个算法框架,任何现有不确定聚类算法都可以作为它的模块;二是实现简单,利用近似骨架作为约束条件,只需进行简单的相交操作就能缩小二次聚类过程中解的搜索空间,实现算法的快速收敛。为了验证新算法的聚类效果,首先构造了以UCI机器学习库中四个经典数据集为原始点的不确定数据集,然后在各个数据集上进行算法比较。通过平均质量标准对ABAUDC算法和无监督的UKMeans算法的聚类效果进行评估。实验证明,新算法的聚类准确度得到了显著的改善。新算法的提出,将两个不同领域知识进行了有效的结合,为不确定数据聚类研究工作拓展了思路,同时也为骨架研究找到了新的应用领域。

关键词：不确定数据挖掘聚类近似骨架半监督学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：