基于不確定數據的頻繁項集挖掘算法的研究.pdf_第1頁
已閱讀1頁，還剩63頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、近幾年來，不確定性數據廣泛出現在傳感器網絡，Web應用等領域中，對不確定性數據挖掘算法的研究已經成為了數據挖掘領域的新熱點。不確定性數據挖掘主要包括聚類、分類、頻繁項集挖掘、孤立點檢測等方面，其中頻繁項集挖掘是重點研究的問題之一。
　　本文首先闡述了不確定性數據的產生原因及表現形式，討論了不確定性數據挖掘的研究現狀，然后對傳統(tǒng)數據中頻繁項集挖掘的經典算法進行了介紹，重點討論了不確定性數據中用于頻繁項集挖掘的U-Apriori和UF

2、-growth算法，以及不確定性數據流中用于頻繁項集挖掘的UF-streaming和SUF-growth算法。其中U-Apriori算法和UF-growth算法分別是對經典算法Apriori和FP-growth的擴展和改進，而UF-streaming算法和SUF-growth算法都是基于樹結構的，這幾種算法都是不確定性數據挖掘中比較高效的算法。經過研究與分析發(fā)現，目前對于不確定性數據頻繁項集挖掘算法的研究大都集中在完全頻繁項集，而對于最

3、大頻繁項集和頻繁閉項集挖掘算法的研究尚不多見。
　　本文提出了一種不確定性數據挖掘最大頻繁項集的UMF-growth算法，并通過一個實例詳細介紹了該算法的工作原理。UMF-growth算法是在UF-growth算法的基礎上提出來的，同樣只需要對原始數據庫掃描兩次即可完成最大頻繁項集的挖掘，與UF-growth算法不同的是，UMF-growth算法的挖掘過程分為兩個步驟：第一步首先獲得以每個頻繁1-項集為后綴的局部最大頻繁項集，第二

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論