谢道文[1]2014年在《基于数据挖掘的火灾分析模型及应用研究》文中提出火灾是当今世界上严重威胁人类生存和发展的常发性灾害之一,是一种世界性的公害,具有发生频率高、时空跨度大、造成的损失与危害严重等特点。随着数据收集与数据存储技术的快速发展,有关部门已积累海量的火灾数据,为研究火灾发生的规律,提供了数据基础；同时数据挖掘技术理论与方法的出现,为探索和分析新的数据类型以及用新的方法分析旧的数据类型提供了有效的解决方法。因此数据挖掘技术或空间数据挖掘技术为火灾数据的分析提供了新的研究视角与思路。以数据挖掘的研究视角来对火灾数据进行数据挖掘,在国内外学术研究和实践探索中都缺乏必要的、系统性的关注与研究。本文基于这一背景,旨在将数据挖掘特别是空间数据挖掘理论与技术引入火灾分析中,结合相应数据挖掘的数据分析方法和事故分析理论,并引入新的原理与方法,针对目前火灾历史数据,从数据挖掘的视角,以宏观研究与微观研究相结合的总体研究路线,挖掘出隐藏在数据背后的有价值的潜在知识,用于指导火灾的预防、控制以及为火灾风险管理、消防管理模式、消防资源配置等提供决策基础。目前,现有的火灾数据形式主要是火灾统计数据和火灾案例数据,本文将分别针对这两类数据采取不同的原理与方法进行数据分析,以期挖掘出隐含在数据背后可以指导火灾预防与控制的有价值的知识。本文的研究主要沿着五个方向展开：(1)火灾空间分布及其原因分析；(2)火灾评价与预测；(3)火灾的空间数据分析及应用；(4)火灾点的空间点模式分析及应用；(5)空间关联规则分析及应用。本文的主要研究内容如下：一、针对现有火灾分析研究中存在的问题,突破以往以建筑物使用类型或建筑物个体为研究客体的局限,提出了火灾研究的数据挖掘视角,系统性地将数据挖掘的理论与方法引入火灾的分析研究中。二、运用区位熵研究方法,根据相应的区位熵对区域的火灾危险性、易损性、防灾能力以及风险性进行判定,并探索其空间分布及类型,同时对火灾区位熵差异性进行了分析。叁、提出火灾重心理论与分析模型,分析省域尺度下火灾发生次数、火灾直接经济损失的空间分布重心及其变化趋势；并利用支持向量机预测模型,对火灾发生次数、火灾直接经济损失重心进行了预测,并验证了模型的有效性、合理性。四、定义了四种火灾集中分布指数,用以度量火灾集中分布情况；并分析我国2000-2010年期间,火灾四种集中指数总体趋势及其原因分析。五、应用洛伦兹曲线和基尼系数的理论与方法,分析我国火灾分布的均衡性(或差异性)。而对火灾分布总体差异主要来源,采用锡尔系数及其一阶段分解方法,揭示组间差异和组内差异各自的变动方向和变动幅度以及各自在总体差异中的重要性及其影响。六、系统地研究了空间自相关空间分析理论,并将其引入到火灾的空间自相关性研究中,应用全局空间自相关、局部空间自相关、散点图等分析方法,分析我国省域尺度下,火灾发生率空间整体分布状况,检验是否存在空间聚集特性,找出聚集现象的具体聚集位置,分析热点地区是否有移动现象。七、应用空间点模式分析中的最邻近距离与标准差椭圆分析方法,描述火灾点分布的集中趋势或离散趋势,判定火灾点分布是否聚集分布。挖掘出不同类型火灾在不同时段的空间形态变化的规律。八、提出了基于灰色理论与线性组合的预测模型,应用到全国火灾发生率、直接损失率的预测中,并验证了模型的有效性、合理性。基于灰色理论并考虑价格指数的影响,对全国火灾形势进行综合评价。九、系统性地研究了关联规则中的Apriori算法,并将其应用于火灾案例的数据挖掘,分析得出火灾发生的主要区域及其相关因素,并对此提出相应的对策。本文针对目前火灾研究中存在的薄弱环节,在数据挖掘的研究视角下,运用多学科交叉理论对火灾进行了研究,建立了多种火灾数据分析模型,构建了火灾的数据挖掘的框架,有较高的学术研究价值和推广应用前景。
刘寒冰[2]2007年在《数据挖掘中的关联规则算法研究》文中研究表明目前,关联规则作为数据挖掘领域中一个非常重要的研究课题,己经取得了令人瞩目的成绩,但在实际应用中,随着数据库规模逐渐增大,出现了随着数据量递增而算法挖掘效率下降的问题,具有应用局限性。因此,必须研究和改进现有的算法,使其具有更高的效率和更广阔的应用前景。本文着重对关联规则挖掘算法进行了研究,在现有算法的基础上,提出两个适应性较强的高效挖掘算法。首先,研究了关联规则中经典的Apriori算法及其改进算法。为了解决这些算法在候选项目集和执行时间方面存在的问题,结合关联规则的性质和布尔向量的关系运算思想,提出了基于布尔矩阵的关联规则挖掘算法(Algorithm Based on Boolean Matrix,简称ABBM)。该算法在挖掘过程中仅扫描数据库一次,而且不产生候选项目集,从而减少了生成频繁项目集的时间开销,提高了算法效率,达到了算法改进的目的。其次,研究了经典的关联规则增量式更新挖掘算法及其优化算法。针对在最小支持度、最小置信度不变的情况下,新增数据集时关联规则更新效率低的问题,提出了一种高效的关联规则增量式更新挖掘算法(High-Efficient Incremental Updating,简称HIUP)。该算法采用AprioriTidList算法来发现新增数据集中的频繁项目集,并通过有效的优化策略对候选项目集进行分类和剪裁,从而减少了候选项目集的数量和扫描新增数据集的次数,提高了算法的更新效率。为了验证算法的性能,本文分别采用合成数据库和真实数据库对提出的新算法及其同类算法进行了对比测试。试验结果表明,ABBM、HIUP算法在效率上明显优于同类算法,而且挖掘的数据量越大,算法效率越高,具有较好的可扩展性和较广阔的应用前景。
邓子穗[3]2013年在《基于关联规则算法的研究与改进》文中指出计算机技术的发展及新的理论、模型及算法的出现使得数据挖掘成为信息技术的热门研究领域之一,关联规则是数据挖掘中重要的研究分支,在很多方面目前已经取得了丰硕的成果,但是海量数据及大型数据库的出现,对关联规则数据挖掘提出了新的挑战与要求,迫切需要提高关联规则挖掘的效率、精确性等。本文主要针对关联规则的算法作了一些探索性的研究,首先简要地介绍了数据挖掘技术的发展,阐述了数据挖掘和关联规则的概念、数据挖掘的领域及现阶段存在的问题,接着对关联规则的种类与常用的算法作了简单的介绍,对关联规则Apriori算法及FP_growth算法及Partition算法作了简要的性能分析与比较,然后按照数值型关联规则的挖掘技术多以及多层次的关联规则、频繁项集挖掘规则等几个热点研究方向,对多层次关联规则、频繁项集挖掘规则算法作了分析与评述。最后本文对基于用户兴趣度的关联规则进行了分析,对兴趣度度量的方法进行了剖析与比较,并提出了改进后的算法。本文对关联规则数据挖掘中算法的的效率问题作了大篇幅的阐述,紧紧依靠这一中心命题提出一系列的算法。基于数据挖掘任务的复杂多样性及算法应用领域的单一性,所以提出单一的算法而解决全部的数据挖掘问题是不可能的,更进一步的是,在同一应用领域也有不同侧重点的算法。关联规则挖掘算法的设计问题及效率问题是本文探讨、研究的最重要的方面。本文重点是对基于用户兴趣度的关联规则进行了阐述,对兴趣度度量的方法：基于信息量的兴趣度度量、基于概率相关性的兴趣度度量、综合的兴趣度度量进行详细的分析,提出了改进的算法Bit-interest,对算法的定义、格式、代码进行了阐述,并举例验证,加以性能分析与结果分析。
肖光磊[4]2008年在《名老中医经验传承中的数据挖掘技术研究》文中研究指明中医学是中华民族的优秀文化遗产,在当今世界回归大自然的浪潮下,其优势越来越突出,地位也越来越重要。中医学是一门临床经验要求比较高的学科,当代中国名老中医的诊疗经验,是他们在临床实践中与中医学理论结合、突破、创新的结果,包含了中医基础理论的原则和名老中医的独创心得或见解,是发展中医药学的宝贵财富。因此对当代名老中医学术思想临证经验的继承不仅能丰富中医药学的理论体系,还能对整个医学科学的发展产生巨大的推动作用。对名老中医学术思想和临证经验的研究,传统的方法已经越来越显示其不足,应用现代科学技术对这些名老中医的临床诊疗经验进行科学解析显得尤为迫切。数据挖掘是一种有效的信息处理技术,采用数据挖掘技术对名老中医学术思想和临证经验进行研究,可以全面解析其中的规律,分析名老中医个体化诊疗信息特征,提炼出临证经验中蕴藏的新理论、新方法、新知识,实现名医经验的有效总结与传承。本文主要对名老中医经验传承中涉及的相关数据挖掘技术进行了研究,以一位名老中医的慢性胃炎临床诊断医案为原始数据,从不同的角度研究了若干算法在其中的应用。在关联规则挖掘方面,分析了关联规则的经典算法Apriori算法和FP-Orowth算法,并针对基于支持度一置信度的关联规则挖掘算法的不足,研究了一种基于遗传算法的正相关关联规则挖掘算法。最后采用FP-Growth算法和基于遗传算法的正相关关联规则挖掘算法对中医临床数据进行了挖掘,并将两种算法挖掘的结果进行了分析。在决策树分类方面,分析了决策树学习中的两个重要算法ID3算法和C4.5算法,根据C4.5算法具有较高算法精度及较强适应性的特点,将其应用到中医辨证分类中,以慢性胃炎的中医辨证数据为实验数据,建立了关于慢性胃炎的中医辨证分类决策树,并对其进行了分析。
王景[5]2003年在《基于关联规则数据挖掘的研究》文中进行了进一步梳理在科学技术迅猛发展的今天，人们越来越认识到信息的潜在价值，因此，人们试图从大量的数据中提取出有用的信息，数据挖掘就是在这种情况下诞生的。与传统的统计、查询方法相比，数据挖掘技术涉及到多个学科，汇集了人工智能、模式识别、数据库、机器学习以及管理信息系统等学科的成果。数据挖掘是一个新兴的边缘学科，其应用领域非常广泛，并且具有良好的应用前景。 本文在深入学习并熟悉数据挖掘的基本特点和相关技术的基础上，充分分析了国际上数据挖掘方面已取得的研究成果及其存在的不足，对知识发现和数据挖掘开展研究。 论文首先介绍了国内外关于知识发现和数据挖掘的发展动态、数据挖掘的基本概念以及数据挖掘的结构和模型，然后详细地介绍了关联规则的概念以及关联规则挖掘的一些算法，针对这些算法中存在的不足，本文提出了Background-based Apriori算法，该算法考虑到了频繁项目集生成的瓶颈问题以及发现知识的有趣性问题，引入了模糊集理论和语义关联规则的概念，并利用背景知识对于数据库的数值属性进行了合理的非精确语义转换，使得挖掘出的知识更加具有潜在的价值，更容易让人理解，并且由于进行了模糊变换，挖掘出的知识不广西人学颀士论文 林十关联规则数据挖掘的研究仅仅局限于某一特定的精确属性值，具有较高的实用性，最后程序对该算法进行了实现，挖掘出的知识具有可视化的效果。
李超[6]2017年在《多尺度关联规则挖掘理论与方法》文中进行了进一步梳理关联规则挖掘是数据挖掘领域的一个重要分支,广泛应用于互联网、金融、生物信息等研究领域。关联规则挖掘旨在从样本集中找出隐藏在数据背后频繁出现的相关关系与模式。多尺度关联规则是典型的跨学科课题,其实质是利用关联规则技术多尺度、多层次地剖析数据之间相互关系,研究尺度转换过程产生的尺度效应问题。多尺度科学已经在关联规则挖掘领域取得了可观的进展,提出了一些多尺度关联规则挖掘理论和尺度转换方法,但研究大多集中在空间、图像类型的数据上,对于一般数据的多尺度数据挖掘研究较少,这限制了多尺度科学在数据挖掘领域的研究和发展。论文将多尺度科学与关联规则挖掘相结合,进一步研究面向更为广泛的数据类型的多尺度关联规则理论与方法。围绕多尺度科学的研究核心,依据层次理论提出广义尺度定义,实现一般数据集的多尺度划分,分析尺度转换的原因和分类,提出多尺度关联规则挖掘的实质;引入包含度概念,提出基于包含度的相似度理论,在此基础上提出基于相似度的频繁项集处理方法;将多尺度关联规则挖掘理论作为指导思想,基于高斯金字塔法提出多尺度关联规则的尺度上推挖掘算法,基于叁次卷积法提出多尺度关联规则的尺度下推挖掘算法,最终实现知识的多尺度转换。本文以多尺度关联规则挖掘为研究重点,研究多尺度关联规则挖掘理论体系,探索多尺度关联规则尺度转换方法。主要完成了以下几个方面工作:1)探讨多尺度关联规则挖掘理论体系传统的关联规则挖掘没有深入研究数据的多尺度特性,已有的多尺度关联规则挖掘理论和方法大多应用于空间、图像数据,对一般数据类型的多尺度关联规则挖掘理论较少。针对上述问题,从尺度、数据的多尺度、尺度划分、尺度转换和多尺度关联规则的定义及挖掘实质四个方面研究多尺度关联规则挖掘理论体系。首先,基于层次理论提出广义的尺度定义,利用数据的四种尺度类型对一般数据进行多尺度处理,构建多尺度数据集。在此基础上提出尺度划分以及多尺度数据集之间的父子、祖孙关系的定义。其次,从定义、原因和分类叁个方面分析多尺度关联规则尺度转换;最后,提出多尺度关联规则的定义和挖掘的实质,为后续研究工作提供理论基础和实现方向。2)提出基于相似度的频繁项集处理方法引入包含度及相似度概念。基于包含度给出相似度的计算方法,结合加权平均的思想,提出基于相似度的频繁项集处理方法。该方法在一定程度上防止尺度转换过程频繁项集的丢失,提高尺度转换结果的精度。3)提出多尺度关联规则挖掘算法以多尺度关联规则挖掘理论体系为理论基础,以尺度转换为核心,基于高斯金字塔法提出多尺度关联规则尺度上推算法MSARSUA(Multi-Scale Association Rules Scaling Up Algorithm),基于叁次卷积法提出多尺度关联规则尺度下推算法MSARSDA(Multi-Scale Association Rules Scaling Down Algorithm)。算法实现了关联规则挖掘知识的多尺度化,相对于传统的关联规则挖掘方法,其在准确率和执行效率等方面具有明显的优势。4)验证分析多尺度关联规则挖掘算法采用UCI数据集、IBM数据集和真实数据H省全员人口数据对多尺度关联规则挖掘算法进行验证。实验结果表明算法MSARSUA和MSARSDA具有良好的性能,在效率上比Apriori算法和FP-Growth算法提升约90%。算法MSARSUA相对于算法SU-ARMA在覆盖率上改善约8%,在F1-measure值上改善约3%,在平均支持度估计误差上改善约2%。证明算法是有效且可行的。
李欣[7]2012年在《基于关联规则的图书馆图书智能查询系统研究》文中指出随着计算机技术和信息技术的发展和普及，自动化管理技术被广泛的应用到高校图书馆的管理中，传统的图书馆模式逐渐向数字图书馆转变。数字图书馆具有信息量大、易存储、使用便捷和突破时空限制等特点，因此更加吸引图书馆人的眼球。也正是由于数字资源信息量巨大，读者很难从形式多样的海量信息中发现自己需要的资源信息，读者为了获取有价值的信息资源已经造成了时间和精力上的严重浪费。因此，在数字图书馆时代，选择难成了读者阅读文献资源的主要障碍。笔者通过对国内的高校图书馆使用的自动化管理系统进行调查后发现，目前的图书管理系统仅作为事务管理和信息检索，是无法发现数据中存在的关系和规则，无法根据现有的数据预测读者的个性化需求。将关联规则的挖掘方法应用到图书流通数据的分析，挖掘和发现读者借阅行为中隐含的规律，为读者提供智能化的图书推荐服务，是十分值得我们研究的问题。关联规则是从大量数据中挖掘出有价值的数据之间的相关关系，它反映一个事物与其他事物之间的相互依存性和关联关系，如果两个事物或多个事物之间存在一定的关联关系，那么其中一个事物就能通过其他事物预测到。由于经典关联规则方法和与之相对应的算法中存在很多问题，导致它在实际应用中受到限制。经典关联规则方法存在很多的缺陷和不足，经典关联规则方法的相关定义来源于超市购物的知识发现，所以它仅能适用于超市购物或是与之相似的领域。对于其他应用领域，频繁项目集定义存在严重缺陷，如果应用该定义所生成的频繁项目集很容易受到干扰，产生一些无效的规则。经典关联规则生成算法的时间复杂度太高，而处理海量信息需要高效算法，二者存在矛盾。本课题的目的是通过对数据挖掘中关联规则相关理论的学习研究，将关联规则挖掘技术引入到高校图书馆的读者服务中，研究在图书馆的集成管理系统的基础上实现图书的智能查询算法。在具体的实现研究中，根据关联规则所存在的缺点，建立基于关联规则的图书馆图书智能查询系统必须给出与经典关联规则方法等价的相关定义，提出完备的频繁项目集定义，定义高效的关联规则生成算法。以某高校图书馆的借阅历史记录为测试数据，应用关联规则技术进行数据挖掘，通过对借阅数据的挖掘结果进行分析，找出具有强关联的图书，根据读者的查询信息，能够向该读者推荐与查询信息相关的参考图书，实现图书的智能查询和个性化推荐服务。
杨余垒[8]2017年在《改进的关联规则算法在慢性病数据挖掘中的研究》文中指出关联规则挖掘作为数据挖掘技术重要的研究分支,其目的是从大量数据中发现数据项之间的相关关系。由于挖掘产生的规则形式简单、易于理解,关联规则技术的研究和应用得到了蓬勃发展。我国慢性病患者人数众多。为了有效利用慢性病患者的医疗数据,为预防和管控慢性病提供科学依据,本文选取了慢性病之一的高血压进行数据挖掘方面的研究。本文主要探究高血压患者体征与心血管风险水平之间的相关性,以及高血压与其他慢性病之间的关联性,重点完成了以下工作:(1)查阅国内外相关文献,分析了数据挖掘技术在慢性病等医疗领域的研究现状,总结了我国现阶段在医疗数据分析中存在的问题,确立了论文研究的主要内容及路线。(2)对数据挖掘技术及关联规则的相关理论进行阐述,重点研究了关联规则挖掘中的Apriori算法,分析了该算法在性能方面的瓶颈,并探讨了现有的优化方法,为算法的改进拓宽了思路。(3)针对Apriori算法运行效率上的缺陷,进行如下改进:采用聚簇矩阵压缩存储事务数据库,避免多次扫描原有的事务库;引入事先剪枝策略以产生较少候选项集,避免频繁项目集的大量连接的开销;添加慢性病类型这一约束条件,减少频繁项目集和无关规则的产生。最后通过Matlab仿真实验对比分析,证明了改进算法能够有效降低候选项目集的数量,并提高运行效率。(4)设计慢性病数据挖掘方案,将改进的Apriori算法应用到对高血压患者的体检数据处理中。对数据进行预处理,设置最小支持度和置信度阈值,给定约束和相关度等条件,进行关联规则挖掘。利用Logistic回归分析方法,探究慢性病之间的相关性,将分析结果与数据挖掘产生的规则对照,发现两种方法产生的结果相吻合,证实了实验的有效性。实验最终挖掘出符合医学规律的关联规则,通过它们可以准确判断高血压患者的心血管风险水平,预估所患慢性病的并发症,为医生的诊断提供了有价值的参考,为实现自动化判诊提供了理论研究基础。(5)开发了慢性病数据挖掘系统,并将改进的Apriori算法融入。系统能够探究慢性病医疗数据背后隐藏的知识,辅助医生决策,具有一定的实用价值。
曾勇[9]2012年在《基于关联规则的电子病历挖掘的应用研究》文中研究表明随着医院信息化建设的不断深入，信息系统已覆盖了医院业务开展的各个部门，特别是病人的诊疗过程，从挂号登记到病历文书书写，从处方医嘱下达到病人费用结算，都以电子化形式存储在信息系统数据库中，积累了海量医疗信息，作为脑专科医院，对神经系统专科病种的电子病历（Electronic Medical Records）信息积累尤为丰富。近年来，电子病历信息的数据挖掘（Data Mining）已逐渐成为研究的热点，因此，积极探索科学实用的数据挖掘技术，在海量电子病历数据中发现有价值的规则，为临床专家在疾病诊治和临床科研提供科学依据，提升诊治水平，具有重大意义和广阔前景。本文在研究关联规则数据挖掘技术基础上，结合广东叁九脑科医院的医院信息系统，开展基于关联规则的电子病历挖掘的应用研究。主要内容包括：1.对国内外数据挖掘技术在医疗领域应用现状进行分析，介绍了医院信息系统的体系结构和应用进展。针对电子病历数据分析，阐述了挖掘的方法和过程，以及需要注意的若干问题。2.介绍了关联规则数据挖掘的基本概念，分类和挖掘过程，并对主要关联规则算法Apriori和FP-growth算法进行了描述，应用举例。3.重点对Apriori算法的执行过程，实例说明，局限性和优化方法进行了描述；针对电子病历数据结构复杂，数据量大，数据更新速度快等特点，在挖掘频繁项集时，从减少扫描的数据量和减少对事务数据库扫描的方面考虑，采用改进的Apriori算法，并对改进算法进行了实际数据的实验分析，较之经典Apriori算法提高了数据挖掘效率。4.以广东叁九脑科医院电子病历系统2011年度出院病历数据为例，分析了数据预处理的方法和操作过程，采用改进的Apriori算法分析了癫痫及相关疾病之间的规律，并对挖掘结果进行了评价说明。
毛斌[10]2013年在《基于关联规则的宋代治头痛方用药规律研究》文中提出目的：运用关联规则分析方法挖掘宋代治疗头痛方剂的药物配伍规律，总结宋代治疗头痛方剂的特点，评价所产生规则的实用性，为临床治疗头痛提供参考。方法：以《中医方剂大辞典》为数据来源建立头痛方剂数据库，从中抽取宋代治疗头痛内服方剂作为数据集，运用SPSS Clementine12.0数据挖掘软件对该数据集药物组成进行关联规则挖掘，选用Apriori算法建立数据挖掘模型，设置最小支持度5%，最小置信度50%，并运用Web节点对药物之间的配伍组合进行图形化展示。结果：共获得宋代治头痛方240首，其中丸、散剂共200首，占所有剂型的83.3%；来源于官修方书的共150首，占所有方剂来源的62.5%；共使用药物239种，总频次1957次，使用频数在10次以上的药物共46味，占总使用频数的76.2%，所有方剂中，使用药物最少为2味，最多为19味，平均用药味数8.15±4.03（X±s）；解表药使用频率最高，共使用486次，占各类药物频次的24.8%，其后依次为清热药、化痰药、补益药、活血药、温里药、平肝药、理气药、安神药、开窍药，以上占总使用频次的91.3%；共得到规则504条，防风是所有规则中出现最多的药物，共237条规则包含防风，较为重要的规则有：白芷→川芎、枳壳→石膏、冰片→朱砂、细辛→甘草、僵蚕→防风、白芷+甘草→川芎、白芷+细辛→川芎、细辛+防风→甘草、荆芥+防风→甘草、枳壳+菊花→石膏、天麻+天南星→川芎、茶+川芎→细辛、茶+川芎→白芷、薄荷+细辛+川芎→甘草、白芷+细辛+甘草→川芎、细辛+防风+甘草→川芎等。结论：风邪是头痛的主要病因，正虚邪凑、内外合邪为头痛的主要病机，风、火、痰、虚、瘀是头痛发病的重要病理因素；风药是宋代治疗头痛的重要药物，常常相须为用，其与化痰药、虫类药、甘草的配伍也较为常见；安神药、开窍药在治疗头痛中常常配伍使用；发现了宋代治头痛方中重要药物的配伍规律。
参考文献：
[1]. 基于数据挖掘的火灾分析模型及应用研究[D]. 谢道文. 中南大学. 2014
[2]. 数据挖掘中的关联规则算法研究[D]. 刘寒冰. 河北工程大学. 2007
[3]. 基于关联规则算法的研究与改进[D]. 邓子穗. 湖南大学. 2013
[4]. 名老中医经验传承中的数据挖掘技术研究[D]. 肖光磊. 南京理工大学. 2008
[5]. 基于关联规则数据挖掘的研究[D]. 王景. 广西大学. 2003
[6]. 多尺度关联规则挖掘理论与方法[D]. 李超. 河北师范大学. 2017
[7]. 基于关联规则的图书馆图书智能查询系统研究[D]. 李欣. 东北师范大学. 2012
[8]. 改进的关联规则算法在慢性病数据挖掘中的研究[D]. 杨余垒. 浙江理工大学. 2017
[9]. 基于关联规则的电子病历挖掘的应用研究[D]. 曾勇. 华南理工大学. 2012
[10]. 基于关联规则的宋代治头痛方用药规律研究[D]. 毛斌. 山东中医药大学. 2013
标签：计算机软件及计算机应用论文; 数据挖掘论文; 关联规则论文; apriori论文; 大数据论文; 数据挖掘算法论文; 空间数据论文; 空间分析论文; 火灾论文;