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

ID:33135907

大小:2.26 MB

頁(yè)數(shù):67頁(yè)

時(shí)間:2019-02-21

目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究_第1頁(yè)
目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究_第2頁(yè)
目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究_第3頁(yè)
目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究_第4頁(yè)
目標(biāo)頻繁項(xiàng)集挖掘算法與應(yīng)用研究_第5頁(yè)
資源描述:

《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

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁(yè),下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫(huà)的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無(wú)此問(wèn)題,請(qǐng)放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫(kù)負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭(zhēng)議請(qǐng)及時(shí)聯(lián)系客服。
3. 下載前請(qǐng)仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無(wú)法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請(qǐng)聯(lián)系客服處理。