基于遗传算法的关联规则数据挖掘技术研究

论文摘要

数据挖掘已经在许多行业的决策支持中起到关键的作用。其中,关联规则数据挖掘是数据挖掘中成果颇丰的研究分支,从各种事务数据库中发现的关联规则可以帮助许多决策的制定,对关联规则挖掘的研究已经成为数据挖掘领域的一个重要研究方向。本文在研究数据挖掘、关联规则挖掘技术的基础上,分析推导出一条频繁项集潜在的性质,并应用这条性质对Apriori算法进行了初步改进。从获取用户具体挖掘需求的角度出发,提出了兴趣项集、规则范式的概念,并在这两个概念的基础上对Apriori算法再次改进。然后,在综合这两个改进算法的基础上,提出了I_ Apriori挖掘算法。随后,依据遗传算法具备高效全局优化的优点,提出了基于遗传算法的Algorithm_BasedGA挖掘算法。最后,针对一个具体的关联规则挖掘的应用实例,设计了并实现了挖掘系统,核心挖掘算法分别使用Apriori算法、I_Apriori算法、Algorithm_BasedGA算法。结果表明两种改进的算法的正确性和有效性,而且运行时间的对比上在整体上优于以Apriori为代表的传统的关联规则挖掘算法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 课题研究现状
• 1.2.1 数据挖掘的进展
• 1.2.2 关联规则的研究现状
• 1.2.3 遗传算法在数据挖掘中的应用
• 1.3. 论文的主要工作
• 1.4. 论文的章节安排
• 第二章 关联规则挖掘研究
• 2.1 数据挖掘概述
• 2.1.1 数据挖掘的相关概念
• 2.1.2 数据挖掘的方法和技术
• 2.1.3 数据挖掘的知识表示
• 2.1.4 数据挖掘的过程
• 2.2 关联规则挖掘概述
• 2.2.1 关联规则的概念
• 2.2.2 关联规则的种类
• 2.2.3 关联规则的价值衡量方法
• 2.3 常见的关联规则挖掘算法
• 2.3.1 关联规则挖掘的步骤
• 2.3.2 基本的关联规则挖掘算法
• 2.3.3 复杂关联规则挖掘算法
• 2.4 Apriori算法研究
• 2.4.1 Apriori算法描述
• 2.4.2 Apriori算法解析
• 2.4.3 对Apriori算法改进的设想
• 2.5 本章小结
• 第三章 基于遗传算法的关联规则挖掘研究
• 3.1 关联规则挖掘改进研究
• 3.1.1 基于频繁项集性质的挖掘算法
• 3.1.2 基于兴趣项集和规则范式的挖掘算法
• Apriori）'>3.1.3 改进的关联规则挖掘算法（I_Apriori）
• 3.2 遗传算法
• 3.2.1 基本思想
• 3.2.2 处理流程
• 3.2.3 遗传算子
• 3.2.4 遗传算法的编码方法
• 3.3 基于遗传算法的关联规则挖掘研究
• 3.3.1 关联规则挖掘的特点分析
• 3.3.2 使用遗传算法的可能性
• 3.3.3 算法思想
• BasedGA）'>3.3.4 算法描述（Algorithm_BasedGA）
• 3.3.5 算法详解
• 3.4 本章小结
• 第四章 实现与验证
• 4.1 应用背景介绍
• 4.2 挖掘系统设计
• 4.2.1 系统模型
• 4.2.2 开发环境
• 4.2.3 数据预处理
• 4.3 挖掘算法的实现
• 4.3.1 Apriori算法的实现
• Apriori算法的实现'>4.3.2 I_Apriori算法的实现
• BasedGA算法的实现'>4.3.3 Algorithm_BasedGA算法的实现
• 4.3.4 结果分析
• 4.4 算法性能对比分析
• 4.5 本章小结
• 第五章 结束语
• 5.1 本文工作总结
• 5.2 本文工作展望
• 致谢
• 参考文献
• 作者在读研期间的研究成果