一、快速关联规则挖掘算法DPD（论文文献综述）
周宇,曹英楠,王永超[1]（2021）在《面向大数据的数据处理与分析算法综述》文中认为大数据处理是近年来广受关注和研究的技术领域,数据挖掘作为从大量数据中挖掘隐藏价值信息的技术,是处理大数据的有效工具。本文主要从数据挖掘的角度对大数据处理算法的研究现状进行分类总结。首先介绍了大数据中针对流式数据分类的方法,包括单模型算法和集成分类算法;其次分别从单机算法和基于分布式并行平台的多机算法两个角度概括介绍了大数据聚类方法以及大数据关联规则挖掘方法;最后总结了现有面向大数据的数据挖掘算法的研究进展并展望未来的发展趋势。
李鑫[2]（2021）在《铁路机车设备画像理论及关键技术研究》文中研究表明铁路机务专业是铁路运输系统的重要行车专业,主要负责各型机车的运用组织、整备保养和综合检修。作为重要的铁路运输生产设备,机车的运输生产效率、设备质量状态、整备检修能力、安全管理水平等均会对铁路运输生产能力的稳健提升和经营管理工作的稳步发展产生重要影响。随着各种监测检测设备以及各类信息管理系统的广泛应用,围绕机车积累了形式多样的海量数据,数据增量及质量均大幅提升,数据价值日益体现,铁路行业对于完善机车健康管理的需求十分迫切。当前铁路机务专业在进行机车健康管理的过程中,存在分析方法较少、大数据挖掘不足、管理决策科学性较弱、综合分析平台缺失等问题。铁路机车设备画像理论及关键技术研究作为实现机车健康管理的重要手段,致力于加强机车数据资源的整合利用,通过客观、形象、科学的标签体系全面而精准地刻画机车的质量安全状态,并以此为基础深入挖掘潜藏的数据价值,实现机车事故故障关联分析、安全状态预警盯控、质量安全态势预测、检修养护差异化施修、稳健可靠管理决策等目的,支撑起铁路运输生产及质量安全管理工作的科学化、数字化、智能化发展。本文主要对铁路机车设备画像理论及其一系列关键技术进行了研究与应用,取得了以下创新成果:（1）提出了铁路机车设备画像理论。通过梳理机车设备画像的含义及研究意义,明确了构建铁路机车设备画像理论的必要性及其定位。基于此,给出铁路机车设备画像理论的定义与内涵,梳理了符合现阶段机车运输生产管理需要的铁路机车设备画像理论的构成,阐述了关键技术的研究方法及之间的逻辑关系。同时,设计相匹配的应用架构,介绍了其所包含的核心应用、赋能应用、总体目标等6个方面内容。这为系统性地开展机车健康管理相关研究提供了崭新的理论和方法支持。（2）构建了基于设备画像的铁路机车画像标签体系。通过整合利用机车多维度数据,提出了机车设备画像3级标签体系技术架构,全面分析所包含的数据采集层、标签库层和标签应用层,详细阐释各级标签的内容构成,形成机车画像标签体系的构建方法。针对聚类这一标签产生方式,改进K均值（K-means）聚类算法的初始质心选取方法,提高标签获取的精度和稳定性。通过在某铁路局开展机车设备画像实地应用研究,获得了客观、精准、完整、可靠的机车画像。（3）提出了基于Ms Eclat算法的铁路机车事故故障多最小支持度关联规则挖掘方法。针对机车事故故障在关联规则挖掘中具有不同支持度的特点,提出了改进的等价变换类（Eclat）算法——多最小支持度等价变换类（Ms Eclat）算法,以各项目的支持度值为排序依据重新构建数据集,进而运用垂直挖掘思想获得频繁项集;为了进一步提高Ms Eclat算法在大数据分析场景中的执行效率,将布尔矩阵和并行计算编程模型Map Reduce应用于算法的计算过程,得到优化的Ms Eclat算法,设计并阐述了相应的频繁项集挖掘步骤。通过比较,Ms Eclat算法及其优化算法在多最小支持度关联规则挖掘方面有着极大的计算效率优势。通过在某铁路局开展实际应用研究,验证了算法的有效性、高效性和准确性。（4）设计了基于时变概率的PSO+DE混合优化BP神经网络的机车质量安全态势预测模型。通过总结反向传播（BP）神经网络、粒子群优化（PSO）算法和差分进化（DE）算法的原理及优缺点,设计了基于时变概率且融入了防早熟机制的PSO+DE混合优化BP神经网络预测模型,详细阐释了这一预测模型的训练步骤。以某铁路局的机车质量评价办法为依托,选用灰色关联度分析方法选择出运用故障件数、碎修件数等7个评价项点,预测机车未来3个月的质量安全态势。经过实验对比,新提出的预测模型有着更好的收敛能力,对于机车质量评价等级预测及分值变化趋势预测的准确度分别可以达到98%和91%以上。最后开展了实际预测应用及分析,为科学把控机车质量安全态势提供了较好的技术方法。（5）设计了基于铁路机车设备画像理论的铁路机车健康管理应用。通过总结梳理铁路机车健康管理应用与铁路机车设备画像理论及机务大数据三者间的关系,设计了基于铁路机车设备画像理论的铁路机车健康管理应用的“N+1+3”总体架构及其技术架构。基于此,从设备、人员和综合管理3个方面介绍了机车运用组织、机车整备检修、辅助决策分析等7个典型应用场景,并特别给出这些场景的数据挖掘分析思路及框架,为铁路机车设备画像理论的扎实应用奠定了重要基础。最后,将本文所取得的相关研究成果在某铁路局开展实地的铁路机车健康管理应用实践,通过搭建人机友好的应用系统,完成一系列机务大数据挖掘分析算法模型的封装,实现了机车画像标签生成及设备画像分析、机车事故故障关联分析、机车质量评价分析、机车质量安全态势预测分析等多项功能。通过实际的工程应用,实现了铁路机车设备画像理论及其关键技术的创新实践,取得了良好的效果。全文共有图56幅,表21个,参考文献267篇。
柳媛[3]（2021）在《基于无监督学习的故障分析研究》文中指出现代电信网络告警数据是监控网络状况和管理网络设备的重要依据。随着网络规模的扩大和业务的复杂化,网络设备的稳定性以及网络故障处理的及时性和有效性变得愈发重要。告警的联动性使得网管系统每天会产生大量的重复告警,这将严重影响到故障的定位和处理工作。因此,对海量告警数据的过滤和压缩以及对有效告警信息的提取是运维的重要任务。关联规则挖掘作为重要的无监督数据挖掘技术之一,应用于网络故障分析的场景中可以在无标注数据的情况下分析海量告警数据间的相关性,降低对人力物力依赖性的同时,实现告警的有效压缩和故障的快速定位。同时,采用知识图谱技术可以实现告警规则的存储,进而支持对告警的根源定位。以上技术对于网络故障的分析研究具有重要意义。本文在调研和分析现有关联规则挖掘技术和知识图谱技术的基础上,深入研究了应用以上技术解决电信网络故障分析问题的有效方案。本文的主要研究工作如下:1.提出了一种基于无监督学习的网络故障相关性分析方法。将关联规则挖掘技术运用于提取关联性告警信息的工作中,并针对网络故障分析的业务维度需求和告警事件的自身特点在其基础上提出了改进方案。该方案充分考虑告警事件的时序特性,且对于联动性告警的干扰具有抵抗性。通过在关联规则挖掘过程中添加对告警事件之间因果关系的验证,有效减少故障分析过程中对于告警相关性的错误判定,实现虚假关联规则的过滤,使算法满足电信网络故障分析场景下的业务需求。2.构建了网络故障分析知识图谱,并基于该图谱完成了网络故障的根源定位工作。以已有的告警关联规则集作为数据源,自顶向下构建故障分析知识本体,确定了基于Neo4j图数据库的告警关联知识存储方案,实现了告警事件和关联规则的存储和可视化展示;同时以构建完成的知识图谱为基础,对采用有向图结构的告警关联性知识进行分析与计算,完成了针对关联性告警数据和实时告警数据的根源故障定位。3.设计了电信网络故障分析平台。基于电信网络故障分析场景的业务需求设计了平台的整体架构方案,确定了核心功能模块的划分,并基于本文提出的网络故障分析方案完成了功能模块的开发,然后通过实现前后端的数据交互,完成了网络故障分析和结果的可视化展示,验证了本文提出的方案的实用和可行性,为用户提供了交互友好的故障分析平台,同时为后续网络故障的诊断与处理提供可靠的决策支持。
张孟姣[4]（2021）在《基于效用的负序列规则挖掘关键技术研究》文中研究表明基于效用的序列规则挖掘能够挖掘出效用价值高的序列规则,被广泛的应用于金融、生物医学、制造业、电子商务、社交媒体等领域。与高效用正序列规则挖掘相比,高效用负序列规则挖掘还考虑了未发生事件,能提供更加全面的决策信息。目前的高效用正序列规则挖掘方法并不能直接用于高效用负序列规则挖掘,因高效用负序列规则挖掘过程中存在很多内在复杂性问题:（1）如何定义高效用负序列规则挖掘的问题。（2）如何计算高效用负序列规则中前件的局部效用值和前件的效用,这是计算效用置信度的关键步骤。（3）如何挖掘可直接用来决策的高效用负序列规则。这些问题的研究对于挖掘更加全面的、有价值的高效用负序列规则有着重要的理论价值和实际意义。为此,本文重点研究从高效用负序列模式中挖掘高效用负序列规则的方法,探索可决策的高效用负序列规则挖掘方法,并针对其中涉及的关键问题进行深入探讨。具体介绍如下:针对问题一和问题二,本文提出了一种从高效用负序列模式中挖掘高效用负序列规则的算法e-HUNSR。首先通过提出局部效用值和效用置信度等概念将高效用负序列规则问题形式化,然后给出了一种快速生成候选规则的方法以及一种剪枝策略,接着设计了一种数据结构存储必要的信息,并提出了一种高效的计算前件的局部效用值和效用值的简化计算方法。实验结果表明,e-HUNSR算法能够有效地从高效用负序列模式中挖掘出高效用负序列规则。针对问题三,本文提出了一种可决策的高效用负序列规则挖掘算法A-HUNSR。首先探索了可决策的高效用负序列规则的修剪机制,通过判断候选规则的前件、后件以及前件和后件组成的高效用负序列的支持度来完成第一次修剪,通过候选规则的相关性是否大于1完成第二次修剪。其次提出了在效用环境下支持度的计算方法,以及效用环境下候选规则的相关性的计算方法。实验结果表明,A-HUNSR可以修剪掉大量的无意义规则,并且拥有较好的效率。
陈凡[5]（2021）在《数据与知识驱动的突发事件应对规则挖掘方法》文中提出当突发事件发生时,针对情景及时地给出行之有效的应对方案,对减轻事件带来的危害具有重要作用。历史应急案例中蕴含了丰富的行之有效的应对经验与知识,基于历史应急案例集,通过采用关联规则挖掘方法能发现案例中所体现的细粒度的、考虑部分情景与应对活动间关系的关联规则。这种形如“if情景then应对活动”的关联规则作为一种经验性知识,既可以为应急预案的细化与完善提供参考依据,又可以辅助决策者在部分相同或相似情景下的应急决策。然而现有研究存在以下局限,一方面,现有研究在模式挖掘过程中,仅考虑支持度指标而忽视模式中项间的相关性,导致所挖掘出的模式中包含大量的无关频繁或稀有模式。另一方面,现有研究大多关注频繁关联规则挖掘,忽略了稀有关联规则挖掘的重要性,缺乏涵盖频繁和稀有两类关联规则挖掘的思路与框架;另外,现有研究缺乏领域知识的引导,从而生成大量与应对无关的频繁和稀有模式,导致决策者难以快速从中获取其所关注的有价值的信息。针对上述问题,本文从以下两个方面开展研究。（1）针对现有方法仅考虑支持度指标而忽视模式中项间的相关性,导致产生大量无关模式的问题,构建了适用于突发事件“情景-应对活动”模式的相关性评价指标——改进的Bond指标,进而提出了基于改进Bond指标的频繁和稀有应对模式挖掘方法,以减少无关频繁和稀有模式的产生。（2）针对现有方法缺乏领域知识引导,忽略案例中稀有应对关联规则挖掘的问题,构建了突发事件案例数据与应急领域知识驱动的、涵盖稀有和频繁两类关联规则挖掘的研究框架,提出了在知识元网络引导下挖掘历史应急案例中所蕴含的“情景-应对活动”关联规则的方法,包括基于改进Bond指标的稀有应对关联规则挖掘方法和基于知识引导与改进Bond指标的频繁应对关联规则挖掘方法,以提高挖掘的效率与挖掘质量。本文以真实的历史危化品泄漏事故案例为例,对所提出方法进行验证。实验结果表明,所提出方法一方面可以减少无关频繁和稀有应对模式的产生,另一方面可以辅助决策者快速地从历史突发事件案例中发现与应对相关的频繁和稀有关联规则,为突发事件的“情景-应对”决策提供支持,具有较好的应用前景。
汪哲[6]（2021）在《基于关联规则挖掘的课程相关度及其可视化的研究》文中提出直到现在,关联规则挖掘算法仍然是大数据研究领域的核心热点之一,并且应用在各个领域之中。其中,教育事业通过与数据挖掘相结合的方式最为常见,通过这种方式可以更好地为学生、老师,提供针对性地学习以及教学计划。在海量的学生选课信息当中,往往隐藏着具有一定利用价值的隐藏信息,这些信息需要人为的进一步进行发现。目前,与关联规则挖掘算法相关的研究很多,主要集中在如何发现频繁项集和如何剪枝上。关联规则挖掘算法有很多,但这些算法大多是对整个数据集进行处理和分析,当数据集数量大时,对整个数据集进行挖掘会降低算法的效率。虽然可以用相关算法得到结果,但是效率不高而且得到的结果并不具有针对性。针对这一问题,本文提出了一种算法,首先利用K-means算法对数据集进行聚类,生成特定数量的聚类。再通过结合相关系数的改进Top-K算法找到每个聚类中的关联规则。聚类和改进的Top-K算法集成,可以对数据集先进行分类,再进行挖掘分析,通过集成算法来提高整个算法的准确性和效率。并通过BP神经网络构建了K-means算法的预测模型。通过最终实验表明,集成后的算法可以用来进行课程关联规则的挖掘以及分析,针对用户选课数据集,通过该算法挖掘出了相同类型用户所选课程之中的关联规则。提高了原算法的针对性以及准确性,并且与原算法相比,运行时间缩短了14%。最后为了直观的分析挖掘结果,在得到实验数据的基础上,分析了当前数据可视化的研究现状,并且针对关联规则挖掘结果的特性,提出了一种可用于合适展示课程数据关联规则挖掘结果的展现方法,并用此种展现形式对实验结果进行了数据可视化的展示。
赵震宇[7]（2021）在《基于关联规则挖掘的同态加密算法研究》文中认为随着大数据成为国家基础性战略资源,许多企业和组织希望从海量数据中取得经济利益,并为用户提供便利。对于大多数企业和组织来说,他们没有处理海量数据的能力。因此,将数据挖掘任务外包给云计算服务机构有效地解决了这些企业和组织计算和存储容量不足、资源利用不足和资金投入等问题。但随之而来新的安全隐患,核心问题是数据所有者不希望自身敏感信息被别人知道。因此,隐私安全问题是海量数据挖掘技术应用的主要瓶颈之一。频繁项集和关联规则挖掘技术作为数据挖掘最重要技术之一被广泛应用于商品推荐系统、金融行业预测中和医疗数据分析中。在这些应用中对隐私保护要求较高。本文针对外包关联规则挖掘这一场景,通过对经典的Paillier同态加密算法进行加强,使其满足同态乘法,从而能够对密文处理复杂的计算,并提出完整的隐私保护关联规则挖掘方案。主要工作如下:（1）在原始Paillier同态加密算法基础上对其进行加强,利用Paillier的加法同态性质和数乘同态性质,实现乘法同态计算从而满足全同态加密,并设计了安全比较方案。改进后的Paillier同态加密方案称为FH-Paillier同态加密方案。与原始Paillier同态加密算法相比,在保留原有安全性的条件下,可以在更复杂计算场景下应用。（2）基于FH-Paillier加密算法,提出了完整的隐私保护外包关联规则挖掘方案。方案通过插入虚假数据扰乱原始数据库的信息,可以应对频率分析攻击。并使用FH-Paillier同态加密算法加密数据标签值,保证敏感信息不被泄露。频繁项集和关联规则的挖掘采用基于Map Reduce框架改进的并行算法MREclat对数据进行挖掘,该算法在各个站点之间无需通信,并且I/O次数较少。通过理论和实验对提出的方案进行反复论证和分析,实验表明,该方案具有较高的安全性和效率。（3）针对Paillier加密算法在加密和解密时可能出现计算过载,基于中国剩余定理对Paillier加密算法进行改进,研究并提出了一种改进的加密和解密方法。具体来说,利用中国剩余定理提升加密和解密过程的运算效率,并证明了算法改进后的理论正确性和准确性。实验结果表明,该方法具有较高的解密速度。
郭晓真[8]（2021）在《基于领域、主题和词三维关联挖掘的技术主题识别研究》文中研究表明基于国家和社会的发展战略需求,如何精确识别技术主题、分析和预测领域未来发展方向、了解学科发展态势、探索科技未来发展的机会,成为科技管理的一项重要工作内容。为此,文本挖掘技术被广泛应用于技术主题识别以为后续科技决策提供支撑。针对当前技术主题识别中存在的问题,本文解决了如何有效地对领域进行划分、如何进行领域和相关主题的关联建立、如何通过对领域主题的跨领域补充和对文本的语义化处理更加有效地进行技术主题识别三个方面的问题,从而可以在更加多维、更加具体的层次上展开对技术主题的自动识别。因此,本研究构建了基于领域-主题-词三维关联挖掘的技术主题识别模型,从领域、主题、关键词三个层面对文本信息进行挖掘并构建三层相关关系,多维度、语义化、多层次地进行技术主题识别,有效提升了技术主题识别的效果,为后续科技发展研究提供了相应的前置数据支撑。本研究的主要研究内容如下:首先,对技术主题识别的基础理论和应用进行了研究。对当前技术主题识别中存在的问题进行了评述,从问题出发阐述了模型的构建目标以及相关基础理论。其次,构建了基于领域-主题-词三维关联挖掘的技术主题识别模型。从领域、主题、词三个层面对文本信息进行了提取,分别建立领域-文本、主题-文本、关键词-文本的关联,又利用模糊关联规则挖掘技术识别了领域-主题-词三维关联关系,建立领域和主题的关联,不仅完成对领域的有效划分,而且保证领域和相关主题的延续性识别,同时也通过关键词增添跨领域主题补充的可能性;此外,在每层的识别和最终技术主题识别时加入相应的文本向量化等算法和本体知识库等信息,尽可能多地考虑文本语义信息,更有效地进行技术主题识别。最后,通过来源于缓释肥料领域和合成生物学领域的数据,对基于领域-主题-词三维关联挖掘的技术主题识别模型进行了识别结果验证。
邢奥林[9]（2021）在《D零售电商企业货品库位分配优化研究》文中指出仓储作业在整个电商企业物流花费中占据很大部分,对控制企业成本有着重要意义。仓储作业各个环节相互影响,其中货位分配决定了商品的存储位置,是影响各个作业环节效率的关键因素,决定着仓库整体的服务能力。合理的货位分配能够增加企业在市场中的竞争力,降低运营成本,提高企业利润。然而,大部分电商企业实际作业过程中普遍采用传统经验策略或分级策略,造成作业效率低下,物流成本过高。与此同时,随着电商企业数据不断增多,采用大数据技术对历史数据进行挖掘逐渐成为人们研究的热点问题之一。针对上述问题,本文以D企业仓库拣选区作为研究对象,重点考虑商品之间的相关性,提出基于关联规则和模糊关联规则的货位分配方案,以此提高电商仓储作业整体效率。本文首先对D企业当前仓储货位分配策略和仓库作业流程进行了调查,发现该企业目前存在仓储作业效率低下、货品盘点困难等问题,导致客户满意度下降和大量人力资源浪费。经分析得出D企业仓库的货品库位分配较为混乱,为此,对货位分配进行优化是提升D企业仓储作业效率的关键方向。然后,结合D企业现状、货位分配原则和仓储作业流程,D企业货位分配应重点考虑商品需求相关性、订货频率以及销量因素,提出两阶段的D电子商务企业货位分配方案:第一阶段为库区划分,通过Apriori算法得出品类之间的需求相关性,将具有相关性的品类分为一组并临近放置,平均订货频率高的组放在距离出库口较近的区域;第二阶段为库区内的货位分配,分别构建了商品组内和商品组间货位分配模型。通过模糊关联规则算法得出货品之间的销量相关性,根据相关程度进行组内货位分配。商品组之间按照平均订货频率进行货位分配,平均订货频率越高的商品组货位越靠近出入口。最后,针对Apriori算法和模糊关联规则算法在空间和时间上的不足,采用Hadoop框架将算法进行并行化处理,从而提高对海量数据的挖掘效率。整体研究表明:与D企业初始货位分配方案相比,本文提出的D电子商务企业货位分配方案在减少拣选和补货距离方面得到了不错的优化效果,可降低30%以上的总拣选和补货距离,为D电子商务企业仓储管理提供了有力的支撑和科学的决策依据。
赵欣灿[10]（2021）在《基于大数据环境下的高维数据和增量数据的关联规则挖掘研究》文中研究表明随着互联网、传感器等技术的发展,社会的信息化不断被推进,全球数据的生产速度也在飞快增长。众所周知,移动通信数据是承载着通信业务与互联网信息的大动脉,是网络信息时代发展的重要基础设施。因此,通信大数据的概念越发受到关注,数据价值信息的挖掘也逐渐成为研究热点。其中,数据集中项与项之间关联规则挖掘技术的分析和发现也是数据挖掘过程中的重要分支。同时,该项研究挖掘的规则中所蕴藏的潜在价值也是前所未知的。因此,如何高效、准确的完成通信大数据环境下的关联规则挖掘成为一个热门的研究主题。目前,虽然传统关联规则挖掘算法在大数据时代下的改进取得了一定的成果,然而,通信大数据环境下的数据类型多样、更新速度快等特点,使得此类算法的优化研究仍具有被无限探索潜力。此外,现有的改进算法在执行过程中的复杂度依然很高,难以将并行化计算嵌入到其大规模数据中。鉴于此,本文分别从所挖掘的数据类型和通信大数据的环境特征方面着手,通过对数据预处理和算法步骤的改进,针对算法执行结果的精确度以及算法执行的效率进行提升。本文主要工作如下:针对大规模高维数据在基于FP-growth算法的挖掘过程中存在数据特征捕捉不准确、结点负载不均衡、数据交互频繁以及频繁项集紧凑化程度低等问题,提出了基于MapReduce的并行挖掘算法PARDG-MR（the Parallel Association Rules Mining Algorithm by using Dimension Granulating based on MapReduce）。该算法首先根据数据特征,提出基于维度粒化算法DGA（the dimension granulated Algorithm,DGA）和负载均衡算法GPL（the algorithm of Grouping method based on prefix length,GPL）的DGPL策略（dimensional granulation and strategy of grouping method based on load estimation,DGPL）,从而完成对高维复杂数据特征属性的准确捕捉,并解决数据划分中结点负载不均衡问题;其次,提出基于PJPFP-Tree树的频繁项集并行挖掘策略PARM（Parallel Association Rules Mining Algorithm,PARM）,来实现频繁项集的并行化分组过程,提升算法的整体速率;最后,针对候选剪枝策略,提出基于剪枝前缀推论PPL（pruning prefix lemma）的整合结点剪枝算法PJPFP（Pruning JFP-growth Algorithm,PJPFP）,来提高频繁项集挖掘过程中的剪枝效率,增强频繁项集的紧凑化程度,进一步提升算法总体的挖掘效率。理论分析与实验结果共同表明,PARDG-MR算法不仅有效克服了高维数据在挖掘过程中的瓶颈,而且在内存消耗和挖掘效率上都有了极大的提高。针对基于MapReduce框架的Apriori关联规则挖掘算法产生候选项集较长、算法执行效率低等问题,以及大数据环境中数据快速更新造成增量处理等缺陷进行了研究,提出了一种基于项集动态加权的增量挖掘算法WDU-Apriori（weighted dynamic updating-Apriori）。首先该算法提出W-DPC（weighted dynamic passes combiner）机制作为其候选项集的结合方式,有效提高算法在大数据环境下的适应能力;其次对于新来的增量数据,设计了WBI（weighted border itemsets）策略,用于生成加权边界项集,以改进对于增量数据的挖掘效率;最后构建了CTP（calculate transform probability）方法,用于量化阈值边界项集变为频繁项集的可能性,这对先前的挖掘结果有了更高效的应用,降低节点负载的同时也解决了原始数据集扫描次数较多的问题。理论分析与实验结果共同表明,WDU-Apriori算法不仅有效提高了挖掘效率,平衡了每一个阶段的工作量,同时也有效降低了算法的时间复杂度。
二、快速关联规则挖掘算法DPD（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、快速关联规则挖掘算法DPD（论文提纲范文）
（1）面向大数据的数据处理与分析算法综述（论文提纲范文）
| 1 面向大数据的流式数据分类算法 |
| 1.1 流式数据特点 |
| 1.2 概念漂移及其处理技术 |
| 1.3 单模型算法 |
| 1.3.1 基于决策树的单模型算法 |
| 1.3.2 基于支持向量机的单模型算法 |
| 1.4 集成分类算法 |
| 1.4.1 基于数据块的集成分类算法 |
| 1.4.2 基于单个实例的在线集成分类算法 |
| 2 大数据聚类 |
| 2.1 单机聚类 |
| 2.2 多机聚类 |
| 2.2.1 并行聚类 |
| 2.2.2 分布式聚类 |
| 3 大数据关联规则挖掘 |
| 3.1 单机关联规则挖掘 |
| 3.2 多机并行关联规则挖掘 |
| 3.2.1 基于GPU的并行关联规则挖掘 |
| 3.2.2 基于Map Reduce的并行关联规则挖掘 |
| 3.2.3 基于Spark的并行关联规则挖掘 |
| 4 结论 |
（2）铁路机车设备画像理论及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 必要性及可行性分析 |
| 1.2.1 必要性 |
| 1.2.2 可行性 |
| 1.3 本文拟解决的主要问题 |
| 1.4 本文研究的主要内容 |
| 1.5 本文组织架构及技术路线 |
| 1.6 本章小结 |
| 2 国内外研究现状及发展趋势 |
| 2.1 机务大数据研究及应用 |
| 2.1.1 国外 |
| 2.1.2 国内 |
| 2.2 机车检修现状 |
| 2.3 设备画像 |
| 2.3.1 画像的概念 |
| 2.3.2 构成要素 |
| 2.3.3 模型与方法 |
| 2.4 标签技术 |
| 2.4.1 画像标签的定义 |
| 2.4.2 标签分类 |
| 2.4.3 标签构建原则 |
| 2.4.4 标签构建方法 |
| 2.5 设备健康管理 |
| 2.5.1 国外设备健康管理现状 |
| 2.5.2 国内设备健康管理现状 |
| 2.5.3 我国铁路机务专业PHM技术发展差距 |
| 2.6 本章小结 |
| 3 铁路机车设备画像理论 |
| 3.1 机车设备画像概述 |
| 3.2 铁路机车设备画像理论构建 |
| 3.2.1 铁路机车设备画像理论的定义与内涵 |
| 3.2.2 铁路机车设备画像理论的构成 |
| 3.2.3 铁路机车设备画像理论的应用架构 |
| 3.3 本章小结 |
| 4 基于设备画像的铁路机车标签体系构建 |
| 4.1 问题概述 |
| 4.2 面向设备画像的标签技术 |
| 4.3 机车画像标签体系构建 |
| 4.3.1 机车画像标签体系技术架构 |
| 4.3.2 机车画像标签体系 |
| 4.4 基于聚类的机车第三级标签获取方法 |
| 4.4.1 K-means算法 |
| 4.4.2 K-means算法的改进 |
| 4.4.3 K-means算法与改进算法的比较验证 |
| 4.5 机车画像标签体系构建实例 |
| 4.5.1 K-means改进算法的应用 |
| 4.5.2 机车完整标签体系的产生 |
| 4.6 本章小结 |
| 5 基于MsEclat算法的铁路机车事故故障多最小支持度关联规则挖掘 |
| 5.1 问题概述 |
| 5.2 MsEclat算法的背景知识 |
| 5.2.1 垂直格式数据集 |
| 5.2.2 支持度、置信度与提升度 |
| 5.2.3 概念格理论 |
| 5.2.4 多最小支持度下的频繁项集判定 |
| 5.2.5 面向有序项目集合的最小支持度索引表 |
| 5.2.6 基于等价类的可连接性判定 |
| 5.3 MsEclat算法原理 |
| 5.3.1 Eclat算法简述 |
| 5.3.2 改进的Eclat算法—MsEclat算法 |
| 5.4 优化的Ms Eclat算法 |
| 5.4.1 基于布尔矩阵的T_(set)位运算求交 |
| 5.4.2 基于MapReduce的等价类并行运算 |
| 5.4.3 大数据场景下优化的MsEclat算法的频繁项集挖掘步骤 |
| 5.5 算法比较验证 |
| 5.5.1 MsEclat算法与水平挖掘算法的对比 |
| 5.5.2 MsEclat算法与其优化算法的对比 |
| 5.6 机车事故故障关联规则挖掘分析 |
| 5.6.1 待分析项目的选取 |
| 5.6.2 关联规则挖掘结果分析 |
| 5.7 本章小结 |
| 6 基于PSO+DE混合优化BP神经网络的铁路机车质量安全态势预测 |
| 6.1 问题概述 |
| 6.2 机车质量等级评价 |
| 6.3 基于机车质量评价项点的特征选择 |
| 6.3.1 灰色关联度分析 |
| 6.3.2 机车质量等级的比较特征选择 |
| 6.4 PSO+DE混合优化BP神经网络 |
| 6.4.1 BP神经网络原理 |
| 6.4.2 PSO算法原理 |
| 6.4.3 DE算法原理 |
| 6.4.4 基于时变概率的PSO+DE混合优化BP神经网络预测模型 |
| 6.5 机车质量安全态势预测分析 |
| 6.5.1 预测模型训练 |
| 6.5.2 预测模型训练结果分析 |
| 6.5.3 预测模型应用分析 |
| 6.6 本章小结 |
| 7 基于铁路机车设备画像理论的铁路机车健康管理应用总体设计 |
| 7.1 机务大数据与机车健康管理 |
| 7.2 铁路机车健康管理应用设计 |
| 7.2.1 设计目标及定位 |
| 7.2.2 总体架构设计 |
| 7.2.3 技术架构设计 |
| 7.3 铁路机车健康管理应用的典型应用场景分析 |
| 7.3.1 设备质量综合分析 |
| 7.3.2 人员运用综合把控 |
| 7.3.3 运输生产综合管理 |
| 7.4 本章小结 |
| 8 某铁路局机车健康管理应用实践 |
| 8.1 应用开发方案 |
| 8.1.1 系统开发环境 |
| 8.1.2 数据调用方式 |
| 8.1.3 分析模型定时任务调用方式 |
| 8.2 机车数据管理功能 |
| 8.2.1 基本数据管理 |
| 8.2.2 视频数据管理 |
| 8.2.3 机务电子地图 |
| 8.3 机车画像标签生成及分析功能 |
| 8.3.1 机车画像标签管理 |
| 8.3.2 单台机车画像分析 |
| 8.3.3 机车设备画像分析 |
| 8.4 机车事故故障关联分析功能 |
| 8.5 机车质量评价分析功能 |
| 8.5.1 单台机车质量安全分析 |
| 8.5.2 机务段级机车质量安全分析 |
| 8.5.3 机务部级机车质量安全分析 |
| 8.5.4 全局机务专业质量安全综合分析 |
| 8.6 机车质量安全态势预测分析功能 |
| 8.7 本章小结 |
| 9 总结与展望 |
| 9.1 本文总结 |
| 9.2 研究展望 |
| 参考文献 |
| 图索引 |
| FIGURE INDEX |
| 表索引 |
| 学位论文数据集 |
| TABLE INDEX |
| 作者简历及攻读博士学位期间取得的科研成果 |
（3）基于无监督学习的故障分析研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 关联规则挖掘研究现状 |
| 1.2.2 知识图谱研究现状 |
| 1.2.3 研究现状分析 |
| 1.3 研究目标和内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术研究 |
| 2.1 关联规则挖掘 |
| 2.1.1 关联规则基本概念 |
| 2.1.2 序列模式与关联规则的关系 |
| 2.1.3 序列模式挖掘经典算法 |
| 2.1.4 序列模式挖掘算法比较分析 |
| 2.2 知识图谱 |
| 2.2.1 知识图谱构建流程 |
| 2.2.2 命名实体识别技术 |
| 2.2.3 基于Neo4j的知识存储 |
| 2.3 本章小结 |
| 第三章 基于序列模式挖掘的告警关联分析 |
| 3.1 告警关联分析问题定义 |
| 3.2 告警数据预处理 |
| 3.2.1 告警数据集介绍 |
| 3.2.2 待挖掘数据预处理 |
| 3.3 告警数据的关联性分析 |
| 3.3.1 基于PrefixSpan算法的告警关联规则挖掘 |
| 3.3.2 支持因果判定的告警关联性提取方案 |
| 3.4 实验与分析 |
| 3.4.1 实验设置与评价指标 |
| 3.4.2 实验结果与性能分析 |
| 3.5 本章小结 |
| 第四章 基于知识图谱的故障定位分析实现 |
| 4.1 故障根源定位问题定义 |
| 4.2 网络故障分析领域的知识图谱构建 |
| 4.2.1 知识图谱模式层设计 |
| 4.2.2 知识存储方案设计 |
| 4.3 网络故障的根源定位 |
| 4.3.1 关联性告警数据的故障定位 |
| 4.3.2 实时告警数据的故障定位 |
| 4.4 实验与分析 |
| 4.4.1 实验设置与评价指标 |
| 4.4.2 实验结果与性能分析 |
| 4.5 本章小结 |
| 第五章 无监督的网络故障分析平台构建 |
| 5.1 系统需求分析 |
| 5.2 系统总体架构设计 |
| 5.3 关键模块设计与实现 |
| 5.3.1 告警数据预处理模块 |
| 5.3.2 告警相关性分析模块 |
| 5.3.3 知识图谱构建模块 |
| 5.3.4 故障定位分析模块 |
| 5.4 系统应用与可视化 |
| 5.4.1 平台架构设计 |
| 5.4.2 系统主界面与用户鉴权界面 |
| 5.4.3 告警数据查询界面 |
| 5.4.4 故障分析展示界面 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（4）基于效用的负序列规则挖掘关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 存在问题及研究内容 |
| 1.4 创新点及组织架构 |
| 第2章 相关理论及技术简介 |
| 2.1 数据挖掘技术简介 |
| 2.2 高效用负序列模式挖掘技术简介 |
| 2.3 高效用关联规则挖掘技术简介 |
| 2.4 高效用正序列规则挖掘技术简介 |
| 2.5 可决策规则挖掘技术简介 |
| 2.6 本章小结 |
| 第3章 高效用负序列规则挖掘算法研究 |
| 3.1 相关定义 |
| 3.2 e-HUNSR算法 |
| 3.2.1 效用置信度概念 |
| 3.2.2 候选规则生成方法及剪枝策略 |
| 3.2.3 数据结构 |
| 3.2.4 候选规则的效用置信度计算方法 |
| 3.2.5 e-HUNSR算法伪代码 |
| 3.2.6 关于效用置信度框架的理论分析 |
| 3.3 实验分析 |
| 3.3.1 最小效用值对实验的影响 |
| 3.3.2 最小效用置信度对实验的影响 |
| 3.3.3 数据特征对实验的影响 |
| 3.3.4 可扩展性分析 |
| 3.4 案例研究 |
| 3.5 本章小结 |
| 第4章 可决策的高效用负序列规则挖掘算法研究 |
| 4.1 概述 |
| 4.2 A-HUNSR算法 |
| 4.2.1 效用环境下支持度的计算方法 |
| 4.2.2 效用环境下相关性的计算方法 |
| 4.2.3 数据结构 |
| 4.2.4 挖掘结果分析 |
| 4.2.5 算法伪代码 |
| 4.3 实验分析 |
| 4.3.1 最小效用值对实验的影响 |
| 4.3.2 最小效用置信度对实验的影响 |
| 4.3.3 最小支持度对实验的影响 |
| 4.3.4 可扩展性分析 |
| 4.4 本章小结 |
| 第5章 总结及下一步工作 |
| 5.1 研究总结 |
| 5.2 下一步研究工作 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、获奖情况 |
| 三、参与科研项目 |
| 四、申请专利 |
（5）数据与知识驱动的突发事件应对规则挖掘方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与问题提出 |
| 1.2 研究意义 |
| 1.3 技术路线与主要研究内容 |
| 2 相关文献综述 |
| 2.1 突发事件应对决策支持方法研究 |
| 2.2 关联规则挖掘研究现状 |
| 2.2.1 频繁关联规则挖掘研究现状 |
| 2.2.2 稀有模式挖掘研究现状 |
| 2.2.3 Bond评价指标 |
| 2.3 共性知识元模型 |
| 3 数据与知识驱动的基于改进Bond指标的突发事件应对规则挖掘方法 |
| 3.1 问题描述 |
| 3.2 突发事件的应对知识表示与案例表示 |
| 3.2.1 突发事件的应对知识表示 |
| 3.2.2 突发事件的案例表示 |
| 3.3 方法框架 |
| 3.4 改进的Bond指标 |
| 3.5 基于改进Bond指标的稀有应对关联规则挖掘方法 |
| 3.6 基于知识引导与改进Bond指标的频繁应对关联规则挖掘方法 |
| 4 实验与分析 |
| 4.1 数据来源及实验环境 |
| 4.2 文本型突发事件案例结构化 |
| 4.3 突发事件的应对知识元网络构建与知识模板生成 |
| 4.4 稀有应对关联规则挖掘方法实验结果分析 |
| 4.5 频繁应对关联规则挖掘方法实验结果分析 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文、参与项目情况 |
| 致谢 |
（6）基于关联规则挖掘的课程相关度及其可视化的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 关联规则挖掘的国内外研究现状 |
| 1.2.2 数据可视化的国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构安排 |
| 1.5 本章小结 |
| 第二章 数据挖掘与数据可视化相关理论介绍分析 |
| 2.1 数据挖掘理论分析 |
| 2.1.1 数据挖掘概念功能和应用 |
| 2.1.2 数据挖掘算法概述 |
| 2.2 数据可视化 |
| 2.2.1 数据可视化理论及意义 |
| 2.2.2 数据可视化的方法及展现形式 |
| 2.3 本章小结 |
| 第三章 基于改进K-Means的Top-K关联规则挖掘的课程相关度集成算法 |
| 3.1 课程数据的特征分析 |
| 3.2 关联规则挖掘算法存在的问题以及改进思路 |
| 3.3 K-Means算法的分析与改进 |
| 3.3.1 K-Means算法的原理及缺点 |
| 3.3.2 K值的确定 |
| 3.3.3 Kd-tree结构和Ball-tree结构 |
| 3.4 Top-K挖掘算法分析与改进 |
| 3.4.1 Top-K关联规则挖掘算法 |
| 3.4.2 规则的生成和剪枝 |
| 3.5 实验结果与效率验证比较 |
| 3.5.1 课程数据预处理与清洗 |
| 3.5.2 基于Ball-Tree结构的K-Means改进算法 |
| 3.5.3 Top-K关联规则挖掘集成算法 |
| 3.5.4 效率验证比较 |
| 3.6 本章小结 |
| 第四章 基于BP神经网络的改进K-Means算法预测模型 |
| 4.1 基于BP神经网络的改进K-Means算法预测模型的构建 |
| 4.1.1 BP神经网络理论 |
| 4.1.2 输入和输出 |
| 4.1.3 隐含层节点数选择 |
| 4.1.4 激活函数选择 |
| 4.1.5 训练方法 |
| 4.2 神经网络的实现 |
| 4.3 本章小结 |
| 第五章 关联规则挖掘结果可视化展现平台 |
| 5.1 挖掘结果可视化展现 |
| 5.2 可视化平台系统的实现 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（7）基于关联规则挖掘的同态加密算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘和关联规则 |
| 1.2.2 隐私保护外包方法研究 |
| 1.3 研究内容 |
| 1.4 组织架构 |
| 第2章 关联规则挖掘和隐私保护相关理论 |
| 2.1 数据挖掘概述 |
| 2.1.1 数据挖掘基本概念 |
| 2.1.2 数据挖掘技术分类 |
| 2.2 关联规则挖掘技术概念 |
| 2.2.1 关联规则的基本概念 |
| 2.2.2 关联规则的经典算法 |
| 2.3 关联规则隐私保护技术 |
| 2.3.1 隐私保护的意义 |
| 2.3.2 隐私保护相关技术 |
| 2.4 本章小结 |
| 第3章 Paillier加密算法加强和安全外包关联规则挖掘方案 |
| 3.1 模型和设计目标 |
| 3.1.1 问题描述 |
| 3.1.2 模型架构 |
| 3.1.3 威胁模型 |
| 3.1.4 设计目标 |
| 3.2 Paillier算法改进设计 |
| 3.3 并行关联规则挖掘算法 |
| 3.3.1 Map Reduce概述 |
| 3.3.2 MREclat挖掘算法 |
| 3.4 算法设计和分析 |
| 3.4.1 数据预处理阶段 |
| 3.4.2 数据挖掘阶段 |
| 3.4.3 正确性和安全性分析 |
| 3.5 实验结果和讨论 |
| 3.5.1 实验设置 |
| 3.5.2 实验数据集 |
| 3.5.3 性能效率分析 |
| 3.6 本章小节 |
| 第4章 基于中国剩余定理对Paillier优化 |
| 4.1 中国剩余定理 |
| 4.1.1 中国剩余定理介绍 |
| 4.1.2 中国剩余定理证明 |
| 4.2 基于CRT的Paillier加速加密方法 |
| 4.2.1 密钥生成加速方法 |
| 4.2.2 加速加密过程 |
| 4.2.3 加速解密过程 |
| 4.3 性能分析和安全性分析 |
| 4.4 实验分析 |
| 4.5 小节 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于领域、主题和词三维关联挖掘的技术主题识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 技术主题识别方法研究现状 |
| 1.2.2 技术主题识别应用进展 |
| 1.2.3 研究现状述评 |
| 1.2.4 问题的提出 |
| 1.3 研究目的与意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 论文的章节安排 |
| 1.6 本章小结 |
| 第二章 相关理论和方法 |
| 2.1 文本聚类 |
| 2.1.1 文本聚类进展 |
| 2.1.2 文本聚类述评 |
| 2.2 主题提取 |
| 2.2.1 主题提取进展 |
| 2.2.2 主题提取述评 |
| 2.3 关联规则 |
| 2.3.1 关联规则挖掘 |
| 2.3.2 模糊关联规则挖掘 |
| 2.3.3 关联规则挖掘述评 |
| 2.4 小结 |
| 第三章 基于领域-主题-词三维关联挖掘的技术主题识别模型 |
| 3.1 问题分析 |
| 3.2 技术主题识别模型 |
| 3.2.1 领域-主题-词三维关系挖掘 |
| 3.2.2 技术主题识别 |
| 3.3 模型具体流程 |
| 3.3.1 领域-主题-词三维关系挖掘流程 |
| 3.3.2 技术主题识别流程 |
| 3.4 本章小结 |
| 第四章 实证研究 |
| 4.1 实验环境 |
| 4.2 领域及数据来源 |
| 4.2.1 领域背景 |
| 4.2.2 数据来源 |
| 4.3 基于专利文本数据的技术主题识别分析 |
| 4.3.1 领域-主题-词三维关系挖掘 |
| 4.3.2 技术主题识别 |
| 4.4 基于论文文本数据的技术主题识别分析 |
| 4.4.1 领域-主题-词三维关系挖掘 |
| 4.4.2 技术主题识别 |
| 4.5 识别结果分析 |
| 4.5.1 有效性分析 |
| 4.5.2 对比分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文的主要研究内容 |
| 5.2 贡献与创新之处 |
| 5.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（9）D零售电商企业货品库位分配优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 国内外研究综述 |
| 1.3.1 货位分配相关研究 |
| 1.3.2 关联规则相关研究 |
| 1.3.3 关联规则在货位分配中的相关研究 |
| 1.3.4 研究述评 |
| 1.4 主要研究内容 |
| 1.5 技术路线 |
| 第2章 相关理论和技术概述 |
| 2.1 电商物流特点 |
| 2.2 货位分配相关理论 |
| 2.2.1 货位分配策略 |
| 2.2.2 货位分配目标 |
| 2.3 关联规则相关理论 |
| 2.3.1 Apriori算法 |
| 2.3.2 模糊关联规则算法 |
| 2.3.3 货品关联规则分析 |
| 2.4 并行式计算技术概述 |
| 2.4.1 Hadoop概述 |
| 2.4.2 并行式计算模型Map Reduce |
| 2.4.3 分布式文件系统HDFS |
| 2.5 本章小结 |
| 第3章 D企业货位分配现状和问题分析 |
| 3.1 D企业简介 |
| 3.2 D企业仓库货架布局 |
| 3.3 D企业仓储作业现状 |
| 3.3.1 拣选区补货作业流程 |
| 3.3.2 拣选区拣货作业流程 |
| 3.4 D企业货位分配问题与分析 |
| 3.4.1 存在问题 |
| 3.4.2 问题分析 |
| 3.5 本章小结 |
| 第4章 基于关联规则的D企业货位分配方案设计 |
| 4.1 货位分配方案设计 |
| 4.1.1 基本假设 |
| 4.1.2 方案的提出 |
| 4.2 品类间的库区划分方案 |
| 4.2.1 需求相关性和订货频率因素 |
| 4.2.2 库区划分 |
| 4.3 品类中的货位分配方案 |
| 4.3.1 商品组内货位分配 |
| 4.3.2 商品组间货位分配 |
| 4.4 本章小结 |
| 第5章 D企业优化方案求解与效果分析 |
| 5.1 D企业数据准备 |
| 5.2 关联规则挖掘算法的并行化处理 |
| 5.2.1 实验环境 |
| 5.2.2 并行化处理 |
| 5.3 品类间的库区划分方案求解 |
| 5.3.1 关联规则挖掘 |
| 5.3.2 库区划分结果 |
| 5.4 品类中的货位分配方案求解 |
| 5.4.1 商品数据预处理 |
| 5.4.2 模糊关联规则挖掘 |
| 5.4.3 货位分配结果 |
| 5.5 优化方案检验 |
| 5.5.1 仓库坐标体系构建 |
| 5.5.2 拣选路径选择 |
| 5.5.3 优化效果对比 |
| 5.6 算法影响因素与优化效果分析 |
| 5.7 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A 部分主程序代码 |
| 攻读学位期间取得的学术成果 |
| 致谢 |
（10）基于大数据环境下的高维数据和增量数据的关联规则挖掘研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 论文的组织结构 |
| 第二章 相关理论介绍 |
| 2.1 MapReduce编程框架介绍 |
| 2.2 关联规则挖掘算法相关定义介绍 |
| 2.3 FP-growth算法介绍 |
| 2.4 Apriori算法介绍 |
| 2.5 本章小结 |
| 第三章 基于MapReduce的高维数据频繁项集挖掘算法改进 |
| 3.1 数据预处理策略DGPL |
| 3.1.1 数据特征维度粒化算法DGA |
| 3.1.2 负载均衡算法GPL |
| 3.2 本地模式基表树策略PARM |
| 3.2.1 PJPFP-Tree结构 |
| 3.3 整合结点剪枝算法PJPFP |
| 3.4 PARDG-MR算法整体实现 |
| 3.5 算法的复杂度分析 |
| 3.5.1 时间复杂度 |
| 3.5.2 空间复杂度 |
| 3.6 实验结果及比较 |
| 3.6.1 实验环境 |
| 3.6.2 实验数据 |
| 3.6.3 评价指标 |
| 3.6.4 PARDG-MR算法可行性分析 |
| 3.6.5 算法性能比较 |
| 3.7 本章小结 |
| 第四章 基于MapReduce的增量数据关联规则挖掘算法改进 |
| 4.1 初始数据集挖掘 |
| 4.1.1 动态联结passes步骤的策略W-DPC |
| 4.1.2 基于原始挖掘结果的加权排序算法WBI |
| 4.2 增量数据集挖掘算法CTP |
| 4.2.1 边界项集的生成 |
| 4.2.2 CTP权值公式 |
| 4.3 WDU-Apriori算法实现 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境 |
| 4.4.2 实验数据 |
| 4.4.3 算法性能分析 |
| 4.5 算法性能比较 |
| 4.5.1 W-DPC策略的有效性分析 |
| 4.5.2 CTP机制的有效性分析 |
| 4.6 算法整体性能分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的科研成果 |
四、快速关联规则挖掘算法DPD（论文参考文献）
- [1]面向大数据的数据处理与分析算法综述[J]. 周宇,曹英楠,王永超. 南京航空航天大学学报, 2021(05)
- [2]铁路机车设备画像理论及关键技术研究[D]. 李鑫. 中国铁道科学研究院, 2021(01)
- [3]基于无监督学习的故障分析研究[D]. 柳媛. 北京邮电大学, 2021(01)
- [4]基于效用的负序列规则挖掘关键技术研究[D]. 张孟姣. 齐鲁工业大学, 2021(09)
- [5]数据与知识驱动的突发事件应对规则挖掘方法[D]. 陈凡. 大连理工大学, 2021(01)
- [6]基于关联规则挖掘的课程相关度及其可视化的研究[D]. 汪哲. 北方工业大学, 2021(01)
- [7]基于关联规则挖掘的同态加密算法研究[D]. 赵震宇. 太原理工大学, 2021(01)
- [8]基于领域、主题和词三维关联挖掘的技术主题识别研究[D]. 郭晓真. 中国农业科学院, 2021(09)
- [9]D零售电商企业货品库位分配优化研究[D]. 邢奥林. 山东财经大学, 2021(12)
- [10]基于大数据环境下的高维数据和增量数据的关联规则挖掘研究[D]. 赵欣灿. 江西理工大学, 2021(01)