基于闭合模式的数据挖掘技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-23页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 研究现状 | 第14-20页 |
| 1.2.1 数据挖掘 | 第14-15页 |
| 1.2.2 数据流模式挖掘 | 第15-17页 |
| 1.2.3 数据流分类 | 第17-19页 |
| 1.2.4 数据流聚类 | 第19-20页 |
| 1.3 主要研究内容 | 第20-22页 |
| 1.4 本文结构 | 第22-23页 |
| 2 模式挖掘研究相关工作 | 第23-39页 |
| 2.1 相关概念 | 第23-25页 |
| 2.2 模式类型 | 第25-29页 |
| 2.2.1 闭合频繁模式 | 第25-27页 |
| 2.2.2 最大频繁模式 | 第27-28页 |
| 2.2.3 top-k频繁模式 | 第28页 |
| 2.2.4 约束频繁模式 | 第28-29页 |
| 2.3 数据流挖掘方法 | 第29-36页 |
| 2.3.1 窗口方法 | 第29-31页 |
| 2.3.2 衰减方法 | 第31-33页 |
| 2.3.3 模式增长方法 | 第33-34页 |
| 2.3.4 近似方法 | 第34-36页 |
| 2.3.5 假阳性与假阴性方法 | 第36页 |
| 2.4 算法评价准则 | 第36-37页 |
| 2.5 模式度量准则 | 第37-39页 |
| 3 基于时间衰减模型的闭合模式挖掘算法 | 第39-65页 |
| 3.1 引言 | 第39-40页 |
| 3.2 背景知识 | 第40-43页 |
| 3.2.1 闭合模式选择方法 | 第40-41页 |
| 3.2.2 新近事务处理方法 | 第41页 |
| 3.2.3 频繁与临界频繁闭合模式 | 第41-43页 |
| 3.3 基于均值衰减因子的挖掘算法 | 第43-55页 |
| 3.3.1 均值衰减因子研究 | 第43-44页 |
| 3.3.2 算法设计 | 第44-48页 |
| 3.3.3 实验方式及其结果分析 | 第48-55页 |
| 3.4 基于高斯衰减函数的挖掘算法 | 第55-63页 |
| 3.4.1 高斯衰减函数研究 | 第55-58页 |
| 3.4.2 算法设计 | 第58-59页 |
| 3.4.3 实验方式及其结果分析 | 第59-63页 |
| 3.5 小结 | 第63-65页 |
| 4 基于多支持度的连续闭合模式挖掘算法 | 第65-81页 |
| 4.1 引言 | 第65-66页 |
| 4.2 连续闭合模式的研究 | 第66-71页 |
| 4.2.1 连续闭合模式 | 第66-68页 |
| 4.2.2 基于多支持度的连续模式 | 第68-71页 |
| 4.3 算法设计 | 第71-74页 |
| 4.4 实验方式及其结果分析 | 第74-79页 |
| 4.5 小结 | 第79-81页 |
| 5 基于约束闭合模式的决策树分类算法 | 第81-121页 |
| 5.1 引言 | 第81-82页 |
| 5.2 背景知识 | 第82-90页 |
| 5.2.1 实例数据流的频繁模式 | 第82-83页 |
| 5.2.2 数据流分类方法 | 第83-87页 |
| 5.2.3 分类过程中概念漂移检测方法 | 第87-90页 |
| 5.3 算法设计 | 第90-98页 |
| 5.3.1 约束模式的研究 | 第91-92页 |
| 5.3.2 约束闭合模式挖掘算法 | 第92-95页 |
| 5.3.3 基于模式的决策树算法 | 第95-98页 |
| 5.4 实验方式及其结果分析 | 第98-107页 |
| 5.4.1 学习评估方式 | 第98-100页 |
| 5.4.2 实验数据 | 第100-102页 |
| 5.4.3 实验表现 | 第102-107页 |
| 5.5 案例分析 | 第107-119页 |
| 5.5.1 航空数据与待解决问题 | 第107页 |
| 5.5.2 数据预处理 | 第107-108页 |
| 5.5.3 关联规则设计与应用分析 | 第108-115页 |
| 5.5.4 分类结果分析 | 第115-119页 |
| 5.6 小结 | 第119-121页 |
| 6 总结与展望 | 第121-125页 |
| 6.1 研究工作总结 | 第121-122页 |
| 6.2 未来工作展望 | 第122-125页 |
| 参考文献 | 第125-135页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第135-139页 |
| 学位论文数据集 | 第139页 |
