基于不确定数据的频繁项集挖掘算法的研究-计算机应用技术专业论文.docxVIP

山东理 山东理工大学硕士学位论文 摘 要 万方数据 万方数据 摘 要 近几年来，不确定性数据广泛出现在传感器网络，Web 应用等领域中，对不确 定性数据挖掘算法的研究已经成为了数据挖掘领域的新热点。不确定性数据挖掘主 要包括聚类、分类、频繁项集挖掘、孤立点检测等方面，其中频繁项集挖掘是重点 研究的问题之一。 本文首先阐述了不确定性数据的产生原因及表现形式，讨论了不确定性数据挖 掘的研究现状，然后对传统数据中频繁项集挖掘的经典算法进行了介绍，重点讨论 了不确定性数据中用于频繁项集挖掘的 U-Apriori 和 UF-growth 算法，以及不确定 性数据流中用于频繁项集挖掘的 UF-streaming 和 SUF-growth 算法。其中 U-Apriori 算法和 UF-growth 算法分别是对经典算法 Apriori 和 FP-growth 的扩展和改进，而 UF-streaming 算法和 SUF-growth 算法都是基于树结构的，这几种算法都是不确定 性数据挖掘中比较高效的算法。经过研究与分析发现，目前对于不确定性数据频繁 项集挖掘算法的研究大都集中在完全频繁项集，而对于最大频繁项集和频繁闭项集 挖掘算法的研究尚不多见。 本文提出了一种不确定性数据挖掘最大频繁项集的 UMF-growth 算法，并通过 一个实例详细介绍了该算法的工作原理。UMF-growth 算法是在