关联规则挖掘研究【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

关联规则挖掘研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 数据挖掘概述1

1.1 数据挖掘的发展1

1.2 数据挖掘的过程3

1.3 数据预处理4

1.3.1 数据清洗4

1.3.2 数据集成9

1.3.3 数据变换12

1.3.4 数据归约15

1.3.5 离散化和概念分层27

1.4 数据挖掘的分类37

1.5 数据挖掘的方法39

1.6 数据挖掘的应用40

第2章 关联规则挖掘基础理论43

2.1 关联规则的概念43

2.1.1 关联规则的形式化描述44

2.1.2 关联规则的分类45

2.2 关联规则挖掘的Apriori算法47

2.2.1 关联规则的挖掘过程47

2.2.2 Apriori算法48

2.2.3 频集算法的改进策略51

2.2.4 基于布尔矩阵的Apriori改进算法54

2.2.5 基于十字链表的Apriori改进算法59

2.3 FP算法63

2.3.1 FP-增长算法63

2.3.2 基于约束的FP-增长改进算法66

2.3.3 一种无须子集检查的闭合频繁集挖掘算法71

2.3.4 基于模式矩阵的FP-增长改进算法87

2.4 多层关联规则挖掘93

2.4.1 多层关联规则概念93

2.4.2 多层关联规则的挖掘方法94

2.4.3 基于FP_tree的多层关联规则挖掘算法98

2.5 多维关联规则挖掘102

2.5.1 多维关联规则的概念102

2.5.2 多维关联规则的挖掘方法103

2.5.3 基于频繁模式图的多维关联规则挖掘算法104

2.5.4 基于LR-RCEP的多维关联规则挖掘算法110

2.6 负关联规则挖掘116

2.6.1 负关联规则相关概念117

2.6.2 支持度-有效度框架118

2.6.3 改进的挖掘算法120

2.6.4 负关联规则挖掘中的频繁项集爆炸问题研究122

第3章 基于粗糙集理论的关联规则挖掘研究129

3.1 粗糙集理论129

3.1.1 粗糙集理论的概念129

3.1.2 粗糙集理论中的知识表示134

3.1.3 属性约简与核142

3.1.4 粗糙集对属性约简的一般方法143

3.2 基于模板的关联规则挖掘算法146

3.2.1 信息系统的α-约简146

3.2.2 信息系统中的模板146

3.2.3 关联规则挖掘启发式算法148

3.3 基于粗糙集的分类关联规则挖掘154

3.3.1 属性的重要度155

3.3.2 启发式属性约简算法156

3.3.3 分类关联规则挖掘算法157

3.4 基于Rough Set带结论域的关联规则挖掘159

3.4.1 修改后的关联规则评价指标159

3.4.2 带结论域的关联规则挖掘算法160

3.5 基于粗糙集的多维关联规则挖掘164

3.5.1 算法原理165

3.5.2 表达用户个性化需要的挖掘语言166

3.5.3 基于粗糙集的多维关联规则挖掘算法167

3.6 基于Rough Set的Web日志挖掘研究170

3.6.1 Web挖掘研究现状171

3.6.2 Web日志的基本概念172

3.6.3 基于Rough set的Web日志挖掘172

第4章 基于遗传算法的关联规则挖掘研究175

4.1 遗传算法基本理论175

4.1.1 遗传算法的特点175

4.1.2 遗传算法基本术语177

4.1.3 基本遗传算法179

4.1.4 遗传算法中的常用技术183

4.1.5 遗传算法的关键参数确定193

4.2 基于小生境遗传算法的连续属性关联规则挖掘193

4.2.1 小生境遗传算法原理194

4.2.2 算法描述198

4.2.3 实验及分析198

4.3 优化相关关联规则的发现200

4.3.1 分类规则与关联规则的区别200

4.3.2 优化关联规则发现算法基础202

4.3.3 基于遗传算法的优化关联规则挖掘208

4.3.4 实验及分析213

4.4 基于遗传算法的频繁项挖掘算法217

4.4.1 基于优化模型的频繁项挖掘问题表述217

4.4.2 频繁项挖掘的非线性优化模型218

4.4.3 基于遗传算法的频集挖掘方法220

4.4.4 实验及分析224

4.5 遗传优化模糊约束的频繁项集挖掘226

4.5.1 带约束的频繁项集挖掘和模糊集226

4.5.2 模糊约束227

4.5.3 遗传寻优模糊集230

第5章 基于蚁群算法的关联规则挖掘研究233

5.1 蚁群算法基本理论234

5.1.1 蚁群算法的概念234

5.1.2 蚁群算法的原理分析241

5.1.3 蚁群算法的算法描述244

5.1.4 蚁群算法的特征245

5.1.5 蚁群算法与其他仿生算法的比较250

5.1.6 蚁群算法的发展与研究现状254

5.2 基于蚁群算法的关联规则挖掘257

5.2.1 研究背景257

5.2.2 基于蚁群优化的关联规则挖掘算法258

5.2.3 算法实现261

5.2.4 实验结果与分析263

5.3 基于多态蚁群算法的关联规则挖掘264

5.3.1 自适应调整挥发系数的逆向蚁群算法265

5.3.2 基于模拟退火算法的多道逆向蚁群算法268

5.3.3 基于信息素扩散的多态蚁群算法270

5.3.4 改进的多态蚁群算法在迷宫最短路径问题中的应用274

5.4 基于混合蚁群算法的关联规则挖掘279

5.4.1 研究背景279

5.4.2 基于混合蚁群算法的关联规则算法（Gaaa-miner）281

5.4.3 基于混合蚁群算法的关联规则算法（Antga-miner）295

5.5 基于时间模型的蚁群算法的关联规则挖掘301

5.5.1 利用基于时间模型的蚁群算法挖掘302

5.5.2 天才时间蚁群算法304

5.5.3 其他时间蚁群算法307

5.6 基于遗传——蚂蚁的多维关联规则挖掘308

5.6.1 算法设计308

5.6.2 仿真实验313

第6章 基于分布式数据库的关联规则挖掘研究315

6.1 基于分布式数据库关联规则挖掘的经典算法315

6.1.1 分布式关联规则挖掘的基本原理和方法316

6.1.2 分布式关联规则挖掘的FDM算法320

6.2 星形结构下的分布式关联规则挖掘方法CDMA338

6.2.1 CDMA的基本思想338

6.2.2 CDMA关联规则挖掘算法341

6.2.3 CDMA算法分析345

6.2.4 树形结构的关联规则分布式挖掘算法347

6.3 隐私保护的分布式关联规则挖掘算法研究349

6.3.1 隐私保护的概念350

6.3.2 算法的改进策略352

6.3.3 密码学及加密算法概述354

6.3.4 P_ODMA算法的设计及分析361

6.3.5 P_ODMA算法描述375

6.4 分布式数据库关联规则更新算法388

6.4.1 相关概念389

6.4.2 IUAAR算法基础391

6.4.3 全局频繁项目集的维护算法394

6.4.4 IUAAR算法步骤395

6.5 分布式数据库约束性关联规则的快速挖掘397

6.5.1 相关概念399

6.5.2 候选项集的生成函数400

6.5.3 约束性频繁项集分布式挖掘算法DCAR403

6.5.4 算法实验与性能比较406

6.6 基于分布式数据库采样的关联规则挖掘算法408

6.6.1 相关知识408

6.6.2 基于采样的关联规则挖掘算法SMA410

6.6.3 算法实验分析与比较413

第7章 基于时序和极大团的关联规则挖掘研究416

7.1 时序逻辑及其模式418

7.1.1 数据库的预处理419

7.1.2 基本概念和描述419

7.2 极大团及其算法研究426

7.2.1 基本概念426

7.2.2 F2setT算法428

7.2.3 MaxCliqueT算法430

7.3 基于时序逻辑的概率理论研究432

7.3.1 基本概念432

7.3.2 等概率的数学模型433

7.3.3 不等概率的数学模型434

7.4 基于极大频繁项目集的关联规则的生成算法436

第8章 关联规则挖掘的应用439

8.1 关联规则挖掘在灾害天气预测中的应用439

8.2 关联规则挖掘在CRM中的应用441

8.3 关联规则挖掘在概念检索中的应用444

8.4 关联规则挖掘在网络入侵检测中的应用446

8.5 关联规则挖掘在煤矿安全预警系统中的应用448

8.6 关联规则挖掘在股票分析预测中的应用450

8.7 关联规则挖掘在基因表达数据中的应用457

8.8 关联规则挖掘在交通事故数据分析中的应用459

参考文献467