基于多标记激活算法和遗传算法的数据挖掘研究

论文摘要

数据挖掘是近年来兴起的一个新的研究领域，是当今数据库系统研究和应用领域内的一个热点。关联规则挖掘和聚类是数据挖掘的重要模式，在聚类的结果上进行深入的关联规则挖掘，可以发现个体表现的数据特征与个体具备的因素间的关系。遗传算法具有优秀的鲁棒性和全局寻优能力，已越来越多的被应用到关联规则挖掘中。但是遗传算法的“早熟”现象和后期收敛速度下降的问题严重影响了关联规则挖掘的效率。因此，将遗传算法进行改进，并将其与聚类算法有效地结合，对关联规则挖掘效率的提高有着重要的意义。由于遗传算法的所有操作都是基于实际变量的编码进行的，将编码矩阵化使得遗传算法与聚类算法的结合成为可能，所以提出一种有效的基于矩阵的聚类算法是十分必要的。本文研究了数据挖掘、关联规则和遗传算法的基本原理，分析了多标记传播聚类算法的执行过程，在多标记思想的基础上，提出了一种基于加权矩阵的聚类算法——多标记激活聚类算法，并通过仿真分析了算法的性能。同时，本文研究了传统遗传算法，对其做出了如下改进：首先，提出了利用多标记激活聚类算法的结果智能确定支持度阈值的方法，并在此基础上改进了适应度函数；其次，结合生物的免疫机制，引入了个体免疫力的概念，提出并设计了抗体算子；最后，利用抗体算子对传统遗传算法中遗传操作的交叉算子和变异算子进行了改进。本文将改进的遗传算法应用到关联规则挖掘中，通过仿真验证了算法的可行性和有效性。仿真结果表明，本文提出的多标记激活算法性能更加优越，本文改进的遗传算法有效地提高了最优解精度和求解准确率，加快了收敛速度。在后续的科研工作中，多标记激活聚类算法的矩阵加权处理还有待进一步地研究和探讨；改进遗传算法中对个体免疫系统和抗体算子的完善也是今后继续研究的方向。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.3 本文工作
• 1.4 章节安排
• 第二章 数据挖掘与关联规则
• 2.1 数据挖掘
• 2.1.1 数据挖掘的目的
• 2.1.2 数据挖掘的任务
• 2.1.3 数据挖掘的过程
• 2.1.4 数据挖掘的方法
• 2.2 关联规则
• 2.2.1 关联规则的定义
• 2.2.2 关联规则的性质
• 2.2.3 关联规则挖掘的任务
• 2.2.4 关联规则的分类
• 2.2.5 关联规则的兴趣度描述
• 2.3 小结
• 第三章 多标记激活聚类算法
• 3.1 多标记传播算法分析
• 3.2 多标记激活聚类算法设计
• 3.2.1 矩阵的加权处理
• 3.2.2 算法设计思路
• 3.2.3 算法执行过程
• 3.2.4 算法性能分析
• 3.3 小结
• 第四章 遗传算法的改进
• 4.1 遗传算法研究
• 4.1.1 遗传算法的基本概念
• 4.1.2 遗传算法的主要特点
• 4.1.3 遗传算法的基本原理和步骤
• 4.1.4 遗传算法的编码方式
• 4.1.5 标准遗传算法的基本操作
• 4.2 遗传算法的改进
• 4.2.1 适应度函数的改进
• 4.2.2 抗体算子的提出
• 4.2.3 交叉算子的改进
• 4.2.4 变异算子的改进
• 4.3 改进遗传算法的性能分析
• 4.4 小结
• 第五章 基于改进遗传算法的关联规则挖掘
• 5.1 基于遗传算法的关联规则挖掘思想
• 5.2 基于改进遗传算法的关联规则挖掘
• 5.2.1 编码方法
• 5.2.2 适应度函数的构造
• 5.2.3 选择算子的确定
• 5.2.4 交叉算子的确定
• 5.2.5 变异算子的确定
• 5.3 应用实例
• 5.3.1 遗传算法编码
• 5.3.2 聚类
• 5.3.3 参数设置
• 5.3.4 提取关联规则算法描述
• 5.3.5 规则发现与结果分析
• 5.4 小结
• 第六章 结束语
• 致谢
• 参考文献
• 研究成果