遗传算法在数据挖掘中的应用研究

将遗传算法应用到关联规则的挖掘，提出采用遗传算法提取关联规则的方法，并讨论遗传算法的编码方法和适应度函数的构造．最后结合一个具体的实例，给出基于遗传算法的关联规则的提取算法．     

分布式环境下关联规则挖掘技术实例分析

分布式数据库系统中存储了海量数据,在这些数据的背后,蕴涵着大量有价值的知识。这些知识的挖掘已成为继数据库本身研究之后十分重要的方向之一．该文根据分布式数据库的特点,提出了一种在其上的关联规则挖掘系统．该系统利用矩阵工具挖掘局部关联规则,并采用了不确定性推理方法来融合各局部关联规则．从而提高了局部关联规则挖掘效率和和全局关联规则的准确率．     

一种改进的关联规则增量式更新算法

增量式更新算法能充分利用已挖掘出的知识来提高挖掘效率，是数据挖掘高效算法研究中一个主要方向．本文首先分析了经典的关联规则增量式更新算法FUP（Fast Updating algorithm）算法的不足，提出了一种改进的关联规则增量式更新算法IIUA（Improved Incremental Updating Algorithm），极大地降低了存储空间和挖掘时间需求，从而提高了整个关联规则挖掘的效率．     

关联规则挖掘综述

介绍了当前关联规则挖掘的研究情况,分析了传统关联规则挖掘算法的不足．与此同时,介绍了几种优化算法．最后,展望了关联规则挖掘的未来研究方向．     

基于时间聚类的加权关联规则及其在企业中的应用

针对煤炭企业采用的基于关联规则的数据挖掘技术存在的不足,文章提出了一种基于时间聚类的加权关联规则挖掘算法,分析了关联规则的基本概念,简要介绍了传统Apriori算法原理,详细介绍了基于时间聚类的加权关联规则挖掘算法原理及实现．实际应用范例表明,与Apriori算法相比,基于时间聚类的加权关联规则挖掘算法具有较高的准确性．     

一种新的关联规则挖掘算法

对关联规则的挖掘算法进行了讨论，提出了一种基于集合枚举树的关联规则挖掘算法．由于该算法产生的侯选项目集为最小侯选项目集，不需要修剪，因而提高了算法的效率。     

基于矩阵行向量运算的关联规则挖掘算法研究

本文主要研究了数据挖掘中关联规则挖掘算法的改进方法,通过分析经典的Apriori算法,找出算法的不足．提出了一种基于矩阵行向量运算的频繁集挖掘的关联规则挖掘算法思想,并对Apriori算法进行了改进。     

一个基于散列技术的关联规则挖掘算法

提出了基于散列技术的关联规则挖掘算法的基本思想，只需扫描数据库一次．不产生候选项目集．也不使用逐层迭代的方法，利用散列文件组织的特性来提高挖掘效率．     

基于扩展集合操作的关联规则生成算法研究

关联规则的挖掘分为两步，首先找出满足最小支持度要求的频繁项目集，然后根据频繁项目集生成满足最小置信度要求的关联规则集．目前对关联规则挖掘的研究主要集中在频繁项集的生成上，然而，作为整个关联规则挖掘的一部分，由频繁项集生成关联规则的算法也有待进一步研究和改进．本文首先对传统的集合操作进行了扩展，然后在扩展集合操作的基础上，提出了由已挖掘出的最大频繁项集生成关联规则的算法ARD-ES，并对算法的复杂度作了理论和实验上的分析．实验表明，ARD-ES算法随着事务数据库容量的增大，时间占用的攀升基本上是线性的，空间占用在某一定值上下波动．     

基于项权值变化的矩阵加权关联规则挖掘和扩展查询技术信息检索模型研究

将项权值变化的矩阵加权关联规则挖掘技术应用于信息检索,提出一种基于项权值变化的矩阵加权关联规则挖掘的信息检索模型及其算法,采用新的剪枝策略和模式支持度计算方法。实验结果表明,新模型检索性能得到改善和提高。