检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

5 篇 学位论文

馆藏范围

5 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

5 篇 管理学
- 5 篇 管理科学与工程(可...

主题

5 篇 负序列模式挖掘
2 篇 间隙约束
1 篇 多级最小支持度
1 篇 top-k负序列模式
1 篇 正则约束
1 篇 剪枝策略
1 篇 非频繁序列
1 篇 无重叠条件
1 篇 滑动窗口机制
1 篇 复杂事件处理
1 篇 一次性条件
1 篇 倒排索引
1 篇 数据流
1 篇 正序列模式挖掘
1 篇 序列模式挖掘
1 篇 索引表

机构

2 篇 河北工业大学
2 篇 齐鲁工业大学
1 篇 北京工业大学

作者

1 篇 邢欢
1 篇 张楠楠
1 篇 邱萍
1 篇 张寒
1 篇 陈明婕

语言

5 篇 中文

检索条件"主题词=负序列模式挖掘"

共 5 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

无重叠条件的负序列模式挖掘

无重叠条件的负序列模式挖掘

引用

作者：邢欢河北工业大学

学位级别：硕士

重复的序列模式挖掘是一种重要的数据挖掘方式,它能够有效地检测和识别出模式在序列中的重复出现。无重叠条件的序列模式挖掘是重复的序列模式挖掘的一种变形,它通过使用无重叠条件和间隙约束,可以避免挖掘过多无意义的模式,从而使挖掘... 详细信息

重复的序列模式挖掘是一种重要的数据挖掘方式,它能够有效地检测和识别出模式在序列中的重复出现。无重叠条件的序列模式挖掘是重复的序列模式挖掘的一种变形,它通过使用无重叠条件和间隙约束,可以避免挖掘过多无意义的模式,从而使挖掘结果更具针对性。然而,当前无重叠条件的序列模式挖掘只考虑了序列中发生的事件,忽略了未发生的事件,因此导致一些发生频率较高的负序列模式被忽略。为了解决这个问题,本文研究了无重叠条件的负序列模式(Nonoverlapping Negative Sequential Pattern,简称NNSP)挖掘问题,并提出了对应的挖掘算法NNSP-Miner,该算法可以同时挖掘正序列模式和负序列模式。NNSP-Miner算法包含三个核心步骤,分别是候选模式的支持度计算、生成和剪枝。本文主要的研究工作如下: 1.在计算候选模式的支持度时,为了提升计算效率,本文首先提出了采用倒排索引结构的PScan算法。然后为了进一步提升支持度的计算效率,本文又提出了基于索引表结构的ITGAP算法。与同类算法NETGAP和DFOM相比,本文提出的算法在计算支持度的过程中均有效避免了频繁地创建和销毁结点。 2.在生成候选模式时,为了使生成结果中包含所有潜在的频繁模式,本文首先提出了枚举策略。但是由于该策略的生成空间较大,从而会降低算法的性能。因此,本文又提出了一种新的模式连接策略,它能够同时生成正负两种候选模式,并且能够大大降低候选模式的数量,从而极大地提高挖掘的效率。 3.为了进一步提升挖掘的性能,本文提出了一种基于哈希表的剪枝策略,该策略可以有效地避免计算冗余的负候选模式的支持度。 4.结合ITGAP算法、模式连接策略和剪枝策略,本文提出了一种高效的挖掘算法NNSP-Miner。经过大量的实验,发现该算法在DNA、病毒和蛋白质等数据集上都表现出良好的效果。此外,通过在股票数据集上进行实验,验证了该算法可以有效地过滤波动较大的噪音模式,从而使得挖掘结果更加满足用户的需求。综上,本文深入研究了无重叠条件下的负序列模式挖掘,并且提出了一种高效的挖掘算法NNSP-Miner。此外,本文在大量数据集上进行了充分的实验,实验结果表明NNSP-Miner不仅具有出色的挖掘性能和挖掘能力,而且在实际生活中也有较高的应用价值。

关键词：负序列模式挖掘索引表无重叠条件倒排索引间隙约束

来源：评论

学校读者我要写书评

暂无评论

一次性条件下负序列模式挖掘

一次性条件下负序列模式挖掘

引用

作者：陈明婕河北工业大学

学位级别：硕士

序列模式挖掘作为数据挖掘的重要分支，其重点是发现序列或序列数据库中感兴趣的子序列（称为模式）。目前，关于序列模式挖掘的研究大多集中在挖掘已经发生的事件（每个事件对应一个字符），这被称为正序列模式挖掘。与正序列模式挖掘... 详细信息

序列模式挖掘作为数据挖掘的重要分支，其重点是发现序列或序列数据库中感兴趣的子序列（称为模式）。目前，关于序列模式挖掘的研究大多集中在挖掘已经发生的事件（每个事件对应一个字符），这被称为正序列模式挖掘。与正序列模式挖掘不同，负序列模式挖掘侧重于挖掘本应该发生但实际未发生的事件。负序列模式挖掘在行为分析、医疗服务、金融风险管理和欺诈检测等领域都有着重要的应用。然而，现有的负序列模式挖掘方法通常忽略了模式的重复出现，未考虑间隙约束，这可能导致挖掘结果包含大量用户不感兴趣的模式。为解决这一问题，本文研究了一次性条件下负序列模式（One-offNegativesequentialPattern，简称ONP）挖掘问题，该问题有以下两个特点：第一，在一次性条件下计算模式的支持度，这意味着序列中的任意字符最多只能被使用一次;第二，用户可以按照需求给出间隙约束。为了有效地解决ONP挖掘问题，本文提出了ONP-Miner算法，在计算模式支持度时，该算法采用深度优先和回溯策略相结合的方式，有效地避免了冗余结点和无用的父子关系的创建;在生成候选模式时，该算法采用模式连接的方法生成候选模式，并提出了一种剪枝策略进一步对候选模式进行剪枝，有效地减少了候选模式的数量。　　本文主要的研究工作如下：　　1.为了考虑模式的重复出现情况，本文研究了ONP挖掘，并提出了ONP-Miner算法，该算法包括计算模式支持度以及生成候选模式两个关键步骤。　　2.在计算模式支持度时，为了提高效率，本文提出了Matchcp算法，该算法采用深度优先和回溯策略，在计算过程中有效地避免了冗余结点和无用的父子关系的创建;在生成候选模式时，为了有效地减少候选模式的数量，本文使用模式连接策略生成候选模式，并提出了一种剪枝策略进一步对候选模式进行剪枝。　　3.本文在生物、金融和交通等真实的序列数据集上进行了多组实验，实验的结果表明，相比于同类的算法，ONP-Miner算法在具有良好挖掘性能的基础上，还能够得出更有价值的模式。更重要的是，将ONP挖掘应用于交通流量数据集中，可以找到很多有用的模式，从而实现对未来交通流量情况的预测。　　综上，本文研究了一次性条件下负序列模式挖掘方法，该方法可以有效地挖掘重复出现的负序列模式。实验结果表明，该挖掘方法不仅具有更好的挖掘性能，而且能够挖掘出更有价值的负序列模式，并在交通流量管理中具有较好的预测效果。

关键词：序列模式挖掘负序列模式挖掘一次性条件间隙约束剪枝策略

来源：评论

学校读者我要写书评

暂无评论

基于项缺失的负序列模式挖掘关键技术研究

基于项缺失的负序列模式挖掘关键技术研究

引用

作者：邱萍齐鲁工业大学

学位级别：硕士

序列模式挖掘是挖掘相对时间或其他模式出现频率高的模式。相对于正序列模式挖掘仅考虑了已发生的事件,负序列模式挖掘还考虑了缺失的（未发生的）事件,能够提供更全面的决策信息,越来越受到人们的重视。然而,现有的负序列模式挖掘算法... 详细信息

序列模式挖掘是挖掘相对时间或其他模式出现频率高的模式。相对于正序列模式挖掘仅考虑了已发生的事件,负序列模式挖掘还考虑了缺失的（未发生的）事件,能够提供更全面的决策信息,越来越受到人们的重视。然而,现有的负序列模式挖掘算法使用了过于严格的约束条件,以至于很多有价值的信息无法被挖掘,例如,负元素约束限制负序列的最小负单位为元素即仅允许形如s1=（a,b）(c,d)>和s2=<（a,b）?（c,d）>的负序列,而不允许形如s3=<（?a,b）(c,?d)>（括号表示一个元素,元素里包含负项）的负序列。事实上,s3在现实生活中要比s1和s2更常见。为解决这一问题,本文取消这一限制,开始研究基于项缺失的负序列模式挖掘算法,并对由此带来的负包含定义复杂性,支持度计算花费等关键问题进行了研究。此外,本文还研究了top-k负序列模式挖掘问题,单一最小支持度对筛选模式的不公平性问题以及非频繁序列模式中隐含大量有价值的负序列模式问题。具体内容如下:1.提出了基于项缺失的负序列模式挖掘算法——NegI-NSP。首先,NegI-NSP算法提出了尽可能宽松的约束机制,即实现了基于项缺失的负序列模式挖掘。其次,NegI-NSP算法提出了一个基于项缺失的负包含定义。该定义能覆盖数据序列是否包含基于项缺失的负序列的所有情况。最后,NegI-NSP算法证明了基于项缺失的负序列支持度计算公式,使得仅通过正序列的相关信息就可以得到负序列的支持度,有效的提高了算法的时间效率。2.提出了基于项缺失的top-k负序列模式挖掘算法——TopkI-NSP。NegI-NSP算法虽然实现了挖掘基于项缺失的负序列模式,但它并没有解决用户由于专业知识的有限无法设置合理的最小支持度得到期望的模式数量问题。为了解决这一问题,我们提出了TopkI-NSP算法。首先,TopkI-NSP算法中无需用户设置最小支持度阈值且能得到期望模式数量。其次,TopkI-NSP算法中充分考虑了正序列模式对负序列模式挖掘的影响并提出了相应的策略。最后,TopkI-NSP算法提出了优化时间效率的策略,实验结果表明该策略是非常有效的。3.提出了基于两级多最小支持度的负序列模式挖掘算法——I-msNSP。NegI-NSP算法中仅从频繁序列（正序列模式）中挖掘负序列模式,而忽略掉了非频繁序列中同样包含大量有价值的负序列模式。为了解决这一问题,我们提出了I-msNSP算法。该算法中使用两级多最小支持度（2-LMMS）约束非频繁序列,即根据不同单项序列在数据库中的出现频率为每个项设置合理两个最小支持度阈值用以筛选频繁和非频繁序列。实验结果表明I-msNSP算法能够有效地挖掘非频繁序列中的负序列模式。4.提出了基于多级最小支持度的负序列模式挖掘算法——MLMS-NSP。NegI-NSP算法中仅使用单一最小支持度筛选序列模式,这对长尺寸的序列是不公平的。如果最小支持度太高,则发现的长尺寸序列很少;如果最小支持度太低,发现的短尺寸序列很多,这将会增加用户选择有用的序列模式的困难。为了解决这一问题,我们提出了MLMS-NSP算法。首先,MLMS-NSP算法能够根据序列的尺寸大小设置不同级的最小支持度阈值,用于挖掘出更多有价值的负序列模式。其次,MLMS-NSP算法通过设置最小支持度阈值,挖掘非频繁序列模式。最后,实验结果证明MLMS-NSP算法是非常有效的。

关键词：负序列模式挖掘 top-k负序列模式非频繁序列多级最小支持度

来源：评论

学校读者我要写书评

暂无评论

数据流中负序列模式挖掘技术研究

数据流中负序列模式挖掘技术研究

引用

作者：张楠楠齐鲁工业大学

学位级别：硕士

随着大数据时代的不断发展,数据产生的速度不断加快,且随着时间实时变化。相较于传统静态数据,这类数据表现出流的形态,被称作数据流(Data Stream)。由于数据流呈现连续、有序、快速、海量、变化等特点,使得传统负序列模式挖掘算法无法... 详细信息

随着大数据时代的不断发展,数据产生的速度不断加快,且随着时间实时变化。相较于传统静态数据,这类数据表现出流的形态,被称作数据流(Data Stream)。由于数据流呈现连续、有序、快速、海量、变化等特点,使得传统负序列模式挖掘算法无法对其直接进行处理。同时,由于负候选生成以正序列模式为基础,导致传统分段式负序列模式挖掘方法在数据流中的请求响应时间较长,影响算法的实时性。针对上述问题,本文以大数据中的数据流为研究对象,研究基于滑动窗口机制的负序列模式挖掘方法和基于位图的正负序列模式并行挖掘方法。主要创新如下:(1)针对传统负序列模式挖掘算法只能处理静态数据集无法满足数据流需求的问题,提出sw-NSP(Mining Negative Sequential Patterns Based Sliding Window)算法。首先,引入滑动窗口机制,将数据流分成较小的窗口进行处理,以解决因内存有限而无法将数据流一次性存储的问题;其次,设计一个前缀树结构,使算法能够在不完全抛弃上个窗口挖掘结果的前提下,只针对最新数据进行处理即可获得当前窗口中的正序列模式,避免对历史数据的重复扫描;最后,以sc-NSP算法为基础,提出sw-NSP算法,该算法在整个挖掘过程中,只在用户提出查询请求时进行负候选产生操作,避免了因重复负候选产生造成大量时间浪费。实验结果表明,sw-NSP算法能够有效地从不断产生的新数据中挖掘负序列模式。(2)针对分段式负序列模式挖掘算法无法并行挖掘正负序列模式的问题,提出nsp-DS(Mining Negative Sequential Patterns from Data Streams)算法。首先,引入滑动窗口机制,并将窗口中的数据转换成位图矩阵进行存储;其次,设计一种能够同时对正负序列模式进行存储的前缀树结构,用来维护滑动窗口中的正负序列模式;最后,提出nsp-DS算法,并行挖掘数据流中的正负序列模式。该算法采用边挖掘边输出的方式,通过遍历前缀树,将每个窗口中的挖掘结果实时输出。实验结果表明,nsp-DS算法能够并行挖掘数据流中的正负序列模式。

关键词：数据流滑动窗口机制正序列模式挖掘负序列模式挖掘

来源：评论

学校读者我要写书评

暂无评论

一种预测式复杂事件处理技术应用的研究

一种预测式复杂事件处理技术应用的研究

引用

作者：张寒北京工业大学

学位级别：硕士

大数据时代，每天产生的大量纷繁复杂的数据都需要经过一定的处理后才能使用。复杂事件处理技术是其中一种数据处理手段，可以将原始数据组合形成更高业务层次的数据。现有的复杂事件处理技术主要是按用户所需，被动地处理信息，无法做... 详细信息

大数据时代，每天产生的大量纷繁复杂的数据都需要经过一定的处理后才能使用。复杂事件处理技术是其中一种数据处理手段，可以将原始数据组合形成更高业务层次的数据。现有的复杂事件处理技术主要是按用户所需，被动地处理信息，无法做到主动地对未来事件进行预测。目前的复杂事件处理技术需要引入一种可以对未来数据预测的方法。序列模式挖掘技术的基础目标之一是预测，因此能够作为预测与现有复杂事件处理技术之间的纽带。其中，相比正序列模式挖掘技术，负序列模式挖掘技术表达力更强，可以在海量数据中发现未知模式，从而对未来事件进行预测。但现有负序列模式挖掘技术仍然存在产生大量无关模式的问题。　　为解决传统算法产生大量无关模式的问题，引入了由用户指定的正则约束来减少模式集的产生，本文提出了一种新型负序列模式挖掘方法。该方法的主要思想是使用基于PrefixSpan算法的负序列模式挖掘方法来发现序列中的负模式。这样可以保证筛选出的模式是用户感兴趣的模式。为减少正则约束匹配次数，提出了一种基于最小负模式的方法减少匹配长度与次数，提高算法效率。实验结果表明，本文方法与传统负序列模式挖掘算法相比，能够减少平均挖掘时间15％。　　为达到使用序列模式挖掘技术进行预测的目的，本文提出了一个基于负序列模式挖掘的预测式复杂事件处理方法。该方法能够通过模式清洗、规则定义、转换生成等步骤，自动地将负序列模式挖掘算法所产生的模式集转换成可供复杂事件处理系统使用的规则，并提交给复杂事件处理引擎执行预测功能。本文所使用方法在一定程度上可以替代领域专家使用手工编写规则。　　为整合模式生成和复杂事件预测两部分功能，提高预测功能的可用性，本文设计并实现了一个基于负序列模式挖掘的复杂事件处理系统，该系统监控并管理序列模式挖掘以及提交预测的任务状态。本系统以自动化的方式实现了任务提交、任务执行、任务监控与管理等三部分组成的全套任务流程管理。该系统将模式挖掘与实时预测两部分工作整合为一，提供了一个预测式复杂事件处理平台。

关键词：复杂事件处理正则约束负序列模式挖掘

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：