不確定數據頻繁模式挖掘算法研究.pdf

1、隨著科學技術的飛速發(fā)展,傳感器網絡、無線射頻識別、隱私保護等技術得到了廣泛的研究與應用,隨之而來也產生了大量的不確定數據。以前人們總是試圖使用處理確定數據的方法來處理不確定數據,但是往往得不到正確的結果,因此探索適合于處理不確定數據的挖掘算法顯得尤為迫切。
　　本文首先概述了不確定數據產生的原因及其表現形式,并且簡要介紹了不確定性方法,在此基礎之上提出了不確定數據的模型,總結了幾種常用的不確定性算法。由于不確定數據比確定數據要復雜

2、得多,在處理方法上有其特殊性,目前的一些算法,在使用范圍和效率上都存在著很大的局限性。本文按照數據的結構化類型分類,將數據分為結構化數據、半結構化數據和非結構化數據,在處理這三類不同的結構類型數據上有著各自不同的方法,并選取了結構化數據和半結構化數據作為本文的研究重點展開研究。
　　本文的主要研究內容如下:
　　(1)關系型數據是一種典型的結構化數據。在我們的工作和生活中應用非常普遍。這種數據表現直觀,相對于其他類型的數據,

3、處理起來較為簡單?，F實世界中普遍存在著不確定關系型數據,而傳統(tǒng)的挖掘算法無法適用于此類數據的問題,并且用戶希望高效地挖掘出符合要求的信息,目前已有基于約束的不確定數據頻繁項挖掘的經典算法—U-FPS算法,但U-FPS算法需要構建頻繁模式樹,當數據量較大時,會占用大量內存,并且需要大量使用遞歸調用導致挖掘效率降低。針對該算法的不足,提出了適用于基于約束的不確定數據的新算法—UC-Eclat挖掘算法,該算法不需要構建頻繁模式樹,而采用了數據

4、庫垂直模式求交集的方式來計算支持度的方法,提高了挖掘效率。并通過實驗證明了UC-Eclat算法在效率上更優(yōu)。
　　(2)圖型數據是一種半結構化數據。由于圖更加適合于用來描繪復雜的數據以及數據之間的關系,所以,越來越多的科技領域試圖用圖結構來描繪結構復雜的數據對象。目前已有經典頻繁子圖挖掘算法—DFS算法,但該算法搜索空間過大,從而導致算法執(zhí)行效率過低。本文針對該算法的不足,提出了子圖模式搜索空間裁剪策略,有效地縮減了算法的搜索空間