目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究

《目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、廣西大學(xué)碩士學(xué)位論文目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究姓名：梁碧珍申請(qǐng)學(xué)位級(jí)別：碩士專(zhuān)業(yè)：計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師：秦亮曦20070603目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究摘要隨著信息技術(shù)尤其是網(wǎng)絡(luò)技術(shù)的快速發(fā)展，人們收集、存儲(chǔ)和傳輸數(shù)據(jù)的能力不斷提高，導(dǎo)致數(shù)據(jù)出現(xiàn)了爆炸性增長(zhǎng)。與此形成鮮明對(duì)比的是，對(duì)人們決策有價(jià)值的知識(shí)卻非常匱乏。知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘正是在這一背景下誕生的--f-j新學(xué)科。關(guān)聯(lián)規(guī)則是數(shù)據(jù)挖掘當(dāng)I；i『研究的主要模式之一，它用于確定數(shù)據(jù)集中不同域或?qū)傩灾甽'且J的聯(lián)系，找出有價(jià)值的多個(gè)域之問(wèn)的依賴(lài)關(guān)系。頻繁項(xiàng)

2、集挖掘是生成關(guān)聯(lián)規(guī)則的關(guān)鍵步驟，其效率J．口J題是關(guān)聯(lián)規(guī)則挖掘中的一大難點(diǎn)和熱點(diǎn)。頻繁項(xiàng)集挖掘可分為完全頻繁項(xiàng)集挖掘、頻繁閉項(xiàng)集挖掘和最大頻繁項(xiàng)集挖掘三類(lèi)。論文對(duì)關(guān)聯(lián)規(guī)則的相關(guān)定義、頻繁項(xiàng)集和最大頻繁項(xiàng)集的挖掘方法進(jìn)行了深入分析和研究。目標(biāo)頻繁項(xiàng)集挖掘足適應(yīng)用戶需要的一種頻繁項(xiàng)集挖掘方法。TFP一樹(shù)能有效過(guò)濾與目標(biāo)模式無(wú)關(guān)的項(xiàng)和事物，將數(shù)據(jù)庫(kù)中完整的、非冗余的信息壓縮到一棵樹(shù)上，使得搜索范圍大大縮??；而基于SFP～樹(shù)的頻繁項(xiàng)集挖掘算法是一種較高效的算法，文章的第二部分和第三部分深入討論了TFP一樹(shù)和SFP一樹(shù)結(jié)構(gòu)，

3、以及基于這兩種樹(shù)結(jié)構(gòu)的頻繁項(xiàng)集和最大頻繁項(xiàng)集的挖掘算法，結(jié)合兩者的優(yōu)勢(shì)，提出一種排序緊縮非冗余樹(shù)FP一樹(shù)，簡(jiǎn)稱(chēng)STFP一樹(shù)，并提出基于STFP一樹(shù)目標(biāo)頻繁項(xiàng)集算法STFP-growth和最大目標(biāo)頻繁項(xiàng)集挖掘算法STFP—Max，實(shí)驗(yàn)結(jié)果表明，算法是較高效的。隨著Internet的發(fā)展和普及，網(wǎng)絡(luò)安全問(wèn)題同益突出，入侵檢測(cè)是彌補(bǔ)防火墻的不足而提出的安全策略，文章的第四部分對(duì)關(guān)聯(lián)規(guī)則挖掘算法在入侵檢測(cè)中的應(yīng)用進(jìn)行探索性研究，將提出的目標(biāo)頻繁項(xiàng)集挖掘算法STFP—growth進(jìn)行擴(kuò)展，慮用于入侵檢測(cè)系統(tǒng)，通過(guò)KDDcup

4、99實(shí)驗(yàn)數(shù)據(jù)對(duì)模型進(jìn)行評(píng)估。關(guān)鍵詞：數(shù)掘挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集目標(biāo)頻繁項(xiàng)集STUDYONMININGALGORITHMOFTARGETFREQUENTITEMSETSANDAPPI．ICTIONABSTRACTWiththedevelopmentofinformationtechnology,especiallytheemergingofthenetworktechnology,ourabilitiestocollect，storeandtransferdatahavebeenimproveddramatically

5、Comparingtotheexplosivegrowthofdata，theneedsfordecision-relevantknowledgearenotsatisfiedyet．KnowledgediscoveryanddataminingtechnologyisanimportantapproachtoaddressthisproblemAsoneofthemainpatternsinthefieldofdatamining，associationrulesareusedtodeterminetherela

6、tionshipsamongtheattributesorobjects，tofindoutvaluabledependenciesamongthefields．Theefficiencyofminingfrequentitemsetsisthekeyprobleminassociationrulesgenerating．Frequentitemsetscanbedividedintothreetypes：complete，closedandmaximal．Thisdissertationstudiedthorou

7、ghlytherelateddefines，theminingmethodsofcompleteandmaximalfrequentitemsets．Targetfrequentitemsetsminingalgorithmsareasortofthatsatisfiedtheusers．TFP—treecanfiltertheitemsandtransactionswhichdon’tcontributetotargetpattem，andcompresstheintegrityalgorithmsandno·r

8、edundantdataofthedatabaseintoatree，SOitcangreatlyreducethehuntingrange．AndthealgorithmsbaseonSFP—treearehighperformancesforminingfrequentpatternsInthesecondandthethirdofthepaper,we