期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
空间亚频繁co-location模式的主导特征挖掘 被引量:11
1
作者 马董 陈红梅 +1 位作者 王丽珍 肖清 《计算机应用》 CSCD 北大核心 2020年第2期465-472,共8页
空间co-location模式是一组空间特征的子集,它们的实例在邻域内频繁并置出现。通常,空间co-location模式挖掘方法假设空间实例相互独立,并采用空间实例参与到模式实例的频繁性(参与率)来度量空间特征在模式中的重要性,采用空间特征的最... 空间co-location模式是一组空间特征的子集,它们的实例在邻域内频繁并置出现。通常,空间co-location模式挖掘方法假设空间实例相互独立,并采用空间实例参与到模式实例的频繁性(参与率)来度量空间特征在模式中的重要性,采用空间特征的最小参与率(参与度)来度量模式的有趣程度,忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特征模式挖掘方法是基于传统频繁模式及其团实例模型进行挖掘,然而,团实例模型可能会忽略非团的空间特征间的主导关系。因此,基于星型实例模型,研究空间亚频繁co-location模式的主导特征挖掘,以更好地揭示空间特征间的主导关系,挖掘更有价值的主导特征模式。首先,定义了两个度量特征主导性的指标;其次,设计了有效的主导特征co-location模式挖掘算法;最后,在合成数据集和真实数据集上通过大量实验验证了所提算法的有效性以及主导特征模式的实用性。 展开更多
关键词 空间数据挖掘 空间co-location模式 亚频繁co-location模式 主导特征 主导特征co-location模式
在线阅读 下载PDF
时空亚频繁co-location模式挖掘 被引量:5
2
作者 李新源 陈红梅 +1 位作者 肖清 王丽珍 《西南大学学报(自然科学版)》 CAS CSCD 北大核心 2020年第11期68-76,共9页
空间co-location模式挖掘是空间数据挖掘的重要分支,在环境保护、公共交通、位置服务和城市计算等领域得到广泛应用.与基于团实例模型的传统模式相比,基于星型实例模型的空间亚频繁co-location模式可以揭示空间特征更丰富的空间关系.然... 空间co-location模式挖掘是空间数据挖掘的重要分支,在环境保护、公共交通、位置服务和城市计算等领域得到广泛应用.与基于团实例模型的传统模式相比,基于星型实例模型的空间亚频繁co-location模式可以揭示空间特征更丰富的空间关系.然而,现有空间亚频繁模式没有考虑空间数据的时间特性,而时间却是空间数据的重要维度.因此,该研究考虑空间实例的位置时变性,基于星型实例模型的时空亚频繁co-location模式进行挖掘.首先,提出了时空亚频繁co-location模式及其度量指标:时间亚频繁度;其次,证明了时间亚频繁度的反单调性(向下闭合性),提出了有效的时空亚频繁模式挖掘算法;最后,通过大量实验,验证了所提算法的有效性及时空亚频繁模式的实用性. 展开更多
关键词 空间数据挖掘 时空数据 时空亚频繁co-location模式
在线阅读 下载PDF
基于模式融合挖掘巨型频繁co-location模式 被引量:2
3
作者 袁巩生 王丽珍 +1 位作者 陈红梅 段江丽 《郑州大学学报(理学版)》 CAS 北大核心 2018年第3期39-45,共7页
利用模式融合思想提出了一个空间co-location模式挖掘算法,该算法通过每次融合小模式来快速生成含有大量特征的巨型频繁模式,从而避开了大量的中间模式.并且,由于模式融合旨在产生近似解,因此又引进了一个质量评估模型,评估算法返回的模式.
关键词 巨型频繁co-location模式挖掘 co-location模式 模式融合
在线阅读 下载PDF
最大亚频繁模式挖掘算法研究 被引量:1
4
作者 张海清 刘胤田 《计算机工程》 CAS CSCD 北大核心 2011年第14期62-64,共3页
为解决传统最大频繁模式在项集频繁度与项集长度规模之间的制约关系,提出最大亚频繁模式概念及其挖掘算法MSFP-mining,包括最大亚频繁模式概念并分析其要素特点,基于AFP-tree、CMP-tree、SFP-tree、SFP-growth的候选MSFP挖掘方法,基于MS... 为解决传统最大频繁模式在项集频繁度与项集长度规模之间的制约关系,提出最大亚频繁模式概念及其挖掘算法MSFP-mining,包括最大亚频繁模式概念并分析其要素特点,基于AFP-tree、CMP-tree、SFP-tree、SFP-growth的候选MSFP挖掘方法,基于MSFP-tree的最大亚频繁模式超集检测和剪枝策略及对MSFP-mining挖掘性能的实验验证。实验结果表明,该算法利用差别频繁度实现核心项集、附加频繁项集、补充频繁项集的阶段性求取和组合,在保证项集频繁度基础上实现最大亚频繁模式挖掘,扩展频繁模式规模。 展开更多
关键词 模式挖掘 最大频繁模式 数据集 超集检测 MSFP-tree结构
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部