基于粒計(jì)算與完全圖的關(guān)聯(lián)規(guī)則算法研究.pdf

1、數(shù)據(jù)挖掘作為一門新興的交叉學(xué)科，其主要任務(wù)是面對(duì)龐大的應(yīng)用數(shù)據(jù)庫(kù)，研究并探索有效的信息提取方法，從海量信息庫(kù)中提煉隱藏的有用信息。 本文在分析傳統(tǒng)關(guān)聯(lián)規(guī)則算法的基礎(chǔ)上，發(fā)現(xiàn)大多算法產(chǎn)生頻繁項(xiàng)集時(shí)需要先產(chǎn)生候選項(xiàng)集，并且需要多次遍歷整個(gè)數(shù)據(jù)庫(kù)進(jìn)行模式匹配。為了提高算法的運(yùn)行效率，本文利用粒計(jì)算計(jì)算代價(jià)小的特點(diǎn)，用粒計(jì)算代替?zhèn)鹘y(tǒng)的模式匹配；同時(shí)，為了避免對(duì)整個(gè)數(shù)據(jù)庫(kù)進(jìn)行掃描，提出利用完全圖劃分挖掘區(qū)域的方法，只在可能產(chǎn)生頻繁項(xiàng)集的范

2、圍內(nèi)進(jìn)行挖掘。 主要研究?jī)?nèi)容如下： 1、GRC_G算法?？偨Y(jié)學(xué)習(xí)他人經(jīng)驗(yàn)，對(duì)粒計(jì)算理論進(jìn)行分析，把粒計(jì)算引入到關(guān)聯(lián)規(guī)則挖掘中，提出了二進(jìn)制粒和完全組合粒的概念；提出一種利用完全圖縮減挖掘區(qū)域的方法。最后，給出該算法，并通過仿真實(shí)驗(yàn)證明了該算法具有較好的性能。 2、T_GRC_G算法。分析常見的實(shí)際數(shù)據(jù)庫(kù)中記錄信息的多種屬性特征可知，其中所蘊(yùn)含的某些屬性間的關(guān)聯(lián)規(guī)則往往是遵循一定的規(guī)律成對(duì)共存，然而進(jìn)行簡(jiǎn)單的頻繁項(xiàng)

3、集挖掘不能有效地發(fā)現(xiàn)這些規(guī)則。因此對(duì)GRC_G算法進(jìn)行改進(jìn)，并提出了挖掘雙向關(guān)聯(lián)規(guī)則的算法T_GRC_G。建立強(qiáng)雙向關(guān)聯(lián)規(guī)則和強(qiáng)弱雙向關(guān)聯(lián)規(guī)則的概念；為減少冗余規(guī)則的產(chǎn)生，提出一種刪除冗余規(guī)則的方法。給出該算法，并通過仿真實(shí)驗(yàn)證明該算法能夠有效地減少冗余規(guī)則的產(chǎn)生，并且能夠發(fā)現(xiàn)也許會(huì)更有意義的強(qiáng)弱雙向關(guān)聯(lián)規(guī)則。 3、MD_GRCG算法。GRC_G算法雖然有效，然而在很多情況下，人們感興趣的知識(shí)往往出現(xiàn)在多維空間中。為此，以GRC

4、_G為基礎(chǔ)提出該多維關(guān)聯(lián)規(guī)則挖掘算法，通過事務(wù)投影的方法挖掘多維頻繁項(xiàng)集，并在此基礎(chǔ)上進(jìn)行關(guān)聯(lián)規(guī)則的產(chǎn)生。給出該算法，并通過仿真實(shí)驗(yàn)證明了該算法能夠有效地發(fā)現(xiàn)多維關(guān)聯(lián)規(guī)則，并且時(shí)間效率較高。 4、為了更好的證明本文所提出的改進(jìn)算法的有效性和實(shí)用價(jià)值，本文在實(shí)驗(yàn)室仿真測(cè)試算法性能的同時(shí)，選擇中醫(yī)藥方劑數(shù)據(jù)庫(kù)進(jìn)行實(shí)際挖掘?qū)嶒?yàn)。實(shí)驗(yàn)結(jié)果表明本文的改進(jìn)算法確實(shí)能夠有效地發(fā)現(xiàn)實(shí)際應(yīng)用中的有趣關(guān)聯(lián)規(guī)則。目前，中醫(yī)藥領(lǐng)域尚未有引入數(shù)據(jù)挖掘理論