技术的发展进步和需求的多样性,产生了大量的数据,数据背后隐含模式的发现对问题的深入研究起到关键性的作用。为了挖掘移动对象的周期运动模式,提出了一种无冗余周期模式(Non-redundant period patterns,NRPP)发现算法。为解决噪声因...
详细信息
技术的发展进步和需求的多样性,产生了大量的数据,数据背后隐含模式的发现对问题的深入研究起到关键性的作用。为了挖掘移动对象的周期运动模式,提出了一种无冗余周期模式(Non-redundant period patterns,NRPP)发现算法。为解决噪声因素的影响,在现有方法基础上,引入相似性因子,删减冗余周期模式,使挖掘出的模式精简、准确。算法为不同模式设置不同阈值,不但解决了稀有项问题和组合爆炸问题,而且也使得挖掘效率更高效。采用公开移动对象数据实验,结果表明算法能高效挖掘出移动对象的周期模式。
传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth ...
详细信息
传统周期模式挖掘忽略了模式本身的相关性和时效性,导致获取到一些实用价值有限的弱相关且时效性较低的模式。因此,提出了新颖的基于时效性和相关性约束的周期模式挖掘方法(correlation and recency periodic frequent pattern-breadth first search,CRPFP-BFS)和(correlation and recency periodic frequent pattern-depth first search,CRPFP-DFS)。将给定的数据库压缩到一个列式结构的列表CRPFP-List中,CRPFP-BFS和CRPFP-DFS分别采用广度优先和深度优先搜索方式递归地进行挖掘,同时利用支持度、周期、时效性以及相关性剪枝策略减少搜索空间,以有效地发现相关时效周期模式。与当前最先进算法在密集数据集和稀疏数据集上进行对比实验,结果表明CRPFP-BFS和CRPFP-DFS具有较低的内存占用和更高的运行效率,并且具有良好的可扩展性,其中CRPFP-DFS适合于内存要求严格的情况,CRPFP-BFS在长事务稀疏数据集下的运行效率更高。
为了从具有周期性的纱线毛羽H值数据中提取有代表性的毛羽H值周期模式(即周期时间或周期数据长度上毛羽数据的变化),使用动态时间规整(dynamic time warping,DTW)算法识别毛羽H值的周期模式,同时使用局部暴力搜索和剪枝算法对DTW算法进...
详细信息
为了从具有周期性的纱线毛羽H值数据中提取有代表性的毛羽H值周期模式(即周期时间或周期数据长度上毛羽数据的变化),使用动态时间规整(dynamic time warping,DTW)算法识别毛羽H值的周期模式,同时使用局部暴力搜索和剪枝算法对DTW算法进行优化。从14台细纱机上采集棉纺与混纺纱试样,利用乌斯特条干仪测得的毛羽H值计算理论周期及任意两周期模式间的DTW距离。结果表明:当DTW距离矩阵中出现显著不同于其他周期模式的现象时,该设备可能存在异常或故障;在设定的试验条件下,不同品种纱线的理论周期和实际周期存在差异,平均相差0.48 m,由此可根据实际周期反向推导纱线每分钟的实际卷绕长度。
暂无评论