時序數(shù)據(jù)知識發(fā)現(xiàn)

時序數(shù)據(jù)知識發(fā)現(xiàn)第1頁，共10頁，2023年，2月20日，星期六第2頁共34頁4.3粗糙集屬性約簡常用算法(1)Pawlak約簡算法通過逐步刪除屬性，屬性約簡。實質(zhì)是窮舉。(2)Skowron可辯識矩陣算法建立一個較大的矩陣來進行邏輯演算。(3)各種啟發(fā)式算法在刪除過程中，提供一此啟發(fā)式信息，減少搜索的次數(shù)。針對這些不足，我們提出一個新的約簡算法(RedAttrBU)。把對表的搜索轉(zhuǎn)化為集合的運算，極大的提高約簡效率。第2頁，共10頁，2023年，2月20日，星期六第3頁共34頁4.4基于關(guān)系積屬性約簡算法X1X2Y1Y2Y3Y4X2∩Y1X1∩Y1X1∩Y2X1∩Y4X1∩Y3X2∩Y2X2∩Y4X2∩Y3（b)屬性a和b的關(guān)系積（a)屬性a和屬性b對集合的劃分關(guān)系積示意圖第3頁，共10頁，2023年，2月20日，星期六第4頁共34頁4.4基于關(guān)系積屬性約簡算法(續(xù)）開始結(jié)束輸入初始決策表,置最小約簡集為空是否構(gòu)成最小約簡?YN計算一階關(guān)系積計算高一階關(guān)系積輸出核及最小約簡高階關(guān)系積是由一階關(guān)系積和次階關(guān)系積進行集合運算得到。關(guān)系積運算滿足交換率和結(jié)合率。第4頁，共10頁，2023年，2月20日，星期六第5頁共34頁條件屬性決策屬性(d)Outlook(a1)Temperature(a2)Humidity(a3)Windy(a4)1SunnyHotHighFalseN2SunnyHotHighTrueN3OvercastHotHighFalseP4RainMildHighFalseP5RainCoolNormalFalseP6RainCoolNormalTrueN7OvercastCoolNormalTrueP8SunnyMildHighFalseN9SunnyCoolNormalFalseP10OvercastMildNormalFalseP11RainMildNormalTrueP12OvercastMildHighTrueP13OvercastHotNormalFalseP14RainMildHighTrueN利用RedAttrBU算法的約簡結(jié)果與采用Pawlak算法約簡結(jié)果相同。4.4基于關(guān)系積屬性約簡算法(續(xù)）第5頁，共10頁，2023年，2月20日，星期六第6頁共34頁5.1關(guān)聯(lián)規(guī)則挖掘常用算法(1)Apriori算法

主要思想:使用頻繁項集性質(zhì)的先驗知識，它使用一種逐層搜索的迭代方法。K-項集用于探索(K+1)-項集。首先找出頻繁1-項集的集合，該集合記作L1,L1用于找頻繁2-項集的集合L2,而L2用于找L3,如此下去,直到找到頻繁K-項集。找每個Lk

需要一次數(shù)據(jù)庫的掃描。

性質(zhì)：頻繁項集的所有非空子集都必須也是頻繁的。

實現(xiàn)：包括兩步:①連接；②剪枝；第6頁，共10頁，2023年，2月20日，星期六第7頁共34頁(2)FP-tree算法

主要思想：任何頻繁項集都是最大頻繁項集的子集?？梢园寻l(fā)現(xiàn)所有頻繁項集的問題轉(zhuǎn)化為發(fā)現(xiàn)所有最大頻繁項集的問題。

實現(xiàn)：包括兩步：①構(gòu)造頻繁模式樹FP-tree;②利用FP-tree挖掘最大頻繁模式；5.1關(guān)聯(lián)規(guī)則挖掘常用算法（續(xù)）第7頁，共10頁，2023年，2月20日，星期六第8頁共34頁結(jié)論（1）：已完成的工作針對時序數(shù)據(jù)特點，提出了小波去噪的框架。在此基礎(chǔ)上，對時序數(shù)據(jù)分段，轉(zhuǎn)化為決策表。針對粗糙集屬性約簡的不足，提出了基于關(guān)系積的屬性約簡算法RedAttrBU。把多維時間序列轉(zhuǎn)化為常用的事務數(shù)據(jù)庫，并結(jié)合時間序列的特殊性，提出了AprioriCR算法。第8頁，共10頁，2023年，2月20日，星期六第9頁共34頁結(jié)論（2）未來的工作針對實際應用中，多維屬性的特點，探索多維時間序列的聚類算法；探索屬性對屬性約簡算法。時間序列離散化后，屬性是以特征對的形式出來，約簡算法對此考慮的不足。開展時間