导读:本文包含了频繁闭模式论文开题报告文献综述及选题提纲参考文献，主要关键词:频繁闭模式,关联规则,故障检测
频繁闭模式论文文献综述
陈艳,徐华结,钱叶旺,许亚男[1]（2013）在《基于频繁闭模式的故障状态简洁关联规则挖掘》一文中研究指出利用关联规则建立故障与故障表象之间的关系,对故障进行分析和预测是一种重要的故障检测手段.然而普通关联规则具有表达冗余量大和计算复杂的缺点,为此,提出采用频繁闭模式的方法来挖掘故障特征间的关联关系,并以此建立故障分析过程.由于频繁闭模式挖掘剔除冗余复杂,计算量大,在挖掘简洁故障状态关联规则过程中,采用搜索空间提前剪枝的方法直接生成频繁闭模式,避免了保存频繁模式并反复扫描原始数据和过滤候选频繁闭模式的过程.同时整个挖掘结构在挖掘过程中由于不断被删除回收,占用内存会越来越少,最终在枚举出的基于闭模式简洁规则的基础上,建立故障事件转换图,进行故障诊断.实验部分验证了方法的有效性.(本文来源于《华中师范大学学报(自然科学版)》期刊2013年03期）
王璇[2]（2011）在《基于关联图的频繁闭模式挖掘》一文中研究指出将关联图的数据挖掘思想应用到频繁闭模式的挖掘中,使用位向量的技术简化项集支持度的计算,构造关联图表示项集间的频繁关系。在此基础上,提出一种频繁闭模式挖掘算法,针对频繁闭模式的特点,结合剪枝策略、子集检测策略、搜索策略等技术手段,优化算法性能。实验结果表明,该算法在时间性能上优于经典的频繁闭模式算法CLOSET。(本文来源于《辽东学院学报(自然科学版)》期刊2011年02期）
敖富江,王涛,刘宝宏,黄柯棣[3]（2009）在《CBC-DS:基于频繁闭模式的数据流分类算法》一文中研究指出基于关联规则的分类算法通常根据频繁模式生成类关联规则,但频繁模式挖掘易遭受组合爆炸问题,影响算法效率.并且数据流的出现也对分类算法提出了新的挑战.相对于频繁模式,频繁闭模式的数目较少,挖掘频繁闭模式的算法通常具有较高的效率.为此,提出了一种高效的基于频繁闭模式的数据流分类算法—CBC-DS.主要贡献在于:1)提出了一种基于逆文法顺序FP-Tree的频繁闭项集单遍挖掘过程,用于挖掘类关联规则,该过程采用了一种混合项顺序搜索策略以满足数据流挖掘的单遍性需求,并采用位图技术提高效率;2)提出了"自支持度"概念,用于筛选规则以提高算法分类精度.实验表明,位图技术能够提高算法速度2倍以上,利用自支持度能够提高算法平均精度0.5%左右;最终CBC-DS算法的平均分类精度比经典算法CMAR高1%左右,并且CBC-DS算法的规则挖掘速度远快于CMAR算法.(本文来源于《计算机研究与发展》期刊2009年05期）
许光宇[4]（2007）在《叁维微阵列频繁闭模式挖掘算法的研究与实现》一文中研究指出人类为了更深入地了解和认识自身,制定了宏伟的人类基因组计划。随着人类基因组计划的顺利实施,生物实验技术也在日新月异地进步,微阵列芯片技术正是其中最有代表性的一种。目前,微阵列芯片技术已经可以同时测量大量基因在多个样本上、在一系列时间点上的表达值,从而得到叁维的微阵列数据集。实验技术的进步也带动了对实验结果进行信息挖掘技术的进步,叁维频繁闭模式挖掘技术就是在这种情况下产生的。然而叁维频繁闭模式的挖掘还是崭新的概念,对其挖掘技术的研究还处在起步的阶段。本文首先提出了一种新的叁维频繁闭模式挖掘算法MFCC。MFCC算法采用降维的思想,首先将叁维数据集切片为若干个二维数据集,并应用适当的二维频繁闭模式挖掘算法进行处理；再通过对二维切片上的结果进行相交,并结合有效的削减规则,快速得到所有叁维频繁闭模式。MFCC算法的优点在于高效的降维技术既可以降低数据集的维数,从而能够利用已有的二维频繁闭模式挖掘算法,又不会产生大量的二维切片。为了进一步提高算法的性能,本文又提出了改进的算法MFCC+算法。MFCC+算法采用与MFCC算法相同的降维技术,在保留了MFCC算法优点的前提下通过使用高效的削减规则,在算法执行过程中削减掉所有的不封闭的模式,从而避免了结果的封闭性检验。实验结果表明,MFCC+算法的性能改进效果显着,改进后的算法性能优于以往的叁维频繁闭模式挖掘算法。本文首先介绍相关的背景知识及以往的研究工作；然后依次提出了MFCC算法和MFCC+算法,并对算法的正确性进行了证明；最后通过实验对算法的性能进行了测试并作出相应的分析。(本文来源于《东北大学》期刊2007-12-24）
莫晓静[5]（2007）在《基于元素增长搜索策略的频繁闭模式挖掘算法的研究与实现》一文中研究指出随着数据库技术的飞速发展以及人们获取数据手段的多样化,人类所拥有的数据急剧增加,如何从规模越来越大的数据库中提取出人们感兴趣的信息以及知识,即数据挖掘技术早已成为计算机科学的热门研究领域。关联规则挖掘是数据挖掘研究领域中的重要分支,用于挖掘反映数据库中一组数据项之间的某种潜在关系的规则,具有重要的研究价值以及应用价值。频繁模式挖掘技术是关联规则挖掘技术中的关键步骤,其效率对整个关联规则挖掘的效率起着决定作用。以往的研究工作主要集中在基于深度优先搜索策略的挖掘算法的研究上,而对其它搜索策略下的挖掘算法以及频繁模式存储结构的研究很有限。针对以上的研究现状,本文首先提出了两种新的存储频繁模式的数据结构：后缀树和有序图,并且提出了在后缀树和有序图上进行集合的查找、添加以及删除操作的算法,经实验证明,这两种存储的结构的性能优于以往的频繁模式存储结构。本文还提出了一个新的挖掘频繁闭模式的算法：EISAM算法。EISAM算法没有采用传统的深度优先或广度优先的搜索策略,而是提出了一种新的搜索策略：元素增长搜索策略,从而使算法具有增量维护的特性。为了进一步提高算法的性能,还提出了高效的削减策略以及预处理优化技术,使算法具有更加广泛的适用性。实验结果表明,EISAM算法的性能优于以往的频繁闭模式挖掘算法。本文首先对相关背景知识以及以往的研究工作进行简要介绍,然后提出后缀树和有序图的存储结构以及有关操作的算法,接着提出了基于元素增长搜索策略的EISAM算法,最后通过实验测试了提出的存储结构以及算法的性能。(本文来源于《东北大学》期刊2007-12-11）
频繁闭模式论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
将关联图的数据挖掘思想应用到频繁闭模式的挖掘中,使用位向量的技术简化项集支持度的计算,构造关联图表示项集间的频繁关系。在此基础上,提出一种频繁闭模式挖掘算法,针对频繁闭模式的特点,结合剪枝策略、子集检测策略、搜索策略等技术手段,优化算法性能。实验结果表明,该算法在时间性能上优于经典的频繁闭模式算法CLOSET。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
频繁闭模式论文参考文献
[1].陈艳,徐华结,钱叶旺,许亚男.基于频繁闭模式的故障状态简洁关联规则挖掘[J].华中师范大学学报(自然科学版).2013
[2].王璇.基于关联图的频繁闭模式挖掘[J].辽东学院学报(自然科学版).2011
[3].敖富江,王涛,刘宝宏,黄柯棣.CBC-DS:基于频繁闭模式的数据流分类算法[J].计算机研究与发展.2009
[4].许光宇.叁维微阵列频繁闭模式挖掘算法的研究与实现[D].东北大学.2007
[5].莫晓静.基于元素增长搜索策略的频繁闭模式挖掘算法的研究与实现[D].东北大学.2007