基于MPI的并行PSO混合K均值聚类算法
万方数据
万方数据
万方数据
万方数据
第２期张春生等：Ａｐｎｏｒｉ算法低频规则的有效性及实现４３７
ｆｏｒｅａｃｈ
ｆｒｅｑｕｅｎｔ
ｉｔｅＩｍｅｔｋｉＩｌ工
ｇｅｎｒｕｌｅｓ（＾，＾）
／／ｇｅｎｒｕｌｅｓ（）递归产生一个频繁项集的关联规则５实验证明
对第１章中的事务集，应用Ａ砸ｏｒｉ低频规则挖掘算法和经典的Ｃ４．５算法进行数据挖掘。
１）Ａｐｆｉｏｆｉ低频规则挖掘。
估计考研学生的群体人数为５一ｌＯ，经典支持度８０％，则群体支持度区间［（５／６３）×８０％，（１０／６３）×８０％］＊［６．３％，１２．７％］一［５％，１５％］，选取置信度为８０％。
挖掘结果如图１所示，产生频繁项７个，最大频繁项５个，关联规则一个：“去向（研究牛）一专业成绩好”。
图１应用Ａｐｆｉｏｆｉ低频挖掘算法的结果
２）Ｃ４．５算法挖掘。
ｇｏｌｆ．ｎａｎｌｅｓ文件内容（命名文件）
Ａ，Ｂ，Ｃ，Ｄ．
／／输出（毕业去向）：Ａ研究生；Ｂ：公务员；Ｃ：就业；Ｄ：降级ｍａｔｈ：ｃｏｎｔｉｎｕｏｕｓ．／／数学：连续值ｓｐｅｃｉａｌｉｔｙ：ｃｏｎｔｉｎｕｏｕｓ．
／／专业：连续值ｅｎｇｌｉｓｈ：ｃｏｎｔｉｎｕｏｕｓ．／／英语：连续值ｐｈｅｄｕ：ｃｏｎｔｉｎｕｏｕｓ．／／体育：连续值ｍｏｒａｌ：ｃｏｎｔｉｎｕｏｕｓ．／／德育：连续值ｇｏｌｆ．ｄａｔａ文件内容（事务数据文件６１个样本）
７ｌ，６４，６５，９，２５，Ｃ
７９，７９，７７，１０，２５，Ｃ
７４，５６，５２，９，２５，Ｄ
图２ＣＡ．５决策树输出
从Ｃ４．５决策树上可以看出，存在规则（Ｓｐａｃｉａｌｉｔｙ＞８３一Ａ），在１）的属性定义中，“专业课＞＝８５”为“专业课成绩好”，２）中定义“输出（毕业去向）：Ａ研究生”，所以此决策树输出存在规则：“专业成绩好一去向（研究生）”，这与１）的挖掘结果完全吻合。
６结语
通过实例对比可以看出，本文提出的Ａｐｒｉｏｒｉ低频挖掘算法克服了经典Ａｐｒｉｏｒｉ算法的缺陷，可按群体特征对数据库进行数据挖掘，发现经典Ａｐｒｉｏｒｉ算法不能发现的或很难发现的强关联规则，发现了事务数据库中潜在的规则。
本文不是简单地对经典Ａｐｒｉｏｒｉ算法进行扩展或改进，因为它从理论』：破坏了Ａｐｒｉｏｒｉ算法全局、高频两个性质，从算法实现过程来看，算法的效率与经典Ａｐｆｉｏｒｉ算法相同。
参考文献：
【１】毛国君，段立娟，王实，等．数据挖掘原理与算法［Ｍ１．２版．北京：清华大学出版社，２００７．
【２】ＫＡＮＴＡＲＤＺＩＣＭ．数据挖掘——概念、模型、方法和算法【Ｍ】．闪四清，陈茵，程雁，译．北京：清华大学出版杜，２００３．
【３】ＤＵＮＨＡＭＭＨ．数据挖掘教程【Ｍ】．郭崇慧，田凤占，靳晓明，译．北京：清华大学出版社，２００５．
【４】ＨＡＮＪＩＡＷＥＩ，ＰＥＩＪＩＡＮ，Ｙ１ＮＹＩＷＥＮ．ＭｉｎｉｎｇｆｒｅｑｕｅｎｔｐａＲｅｎｍｗｉｔｈｏｕｔｃａｎｄｉｄａｔｅｇｅｎｅｒａｔｉｏｎ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ２０００ＡＣＭＳＩＧＭＯＤＩｎｔｅｒｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｎａｇｅｍｅｎｔｏｆＤａｔａ．ＮｅｗＹｏｒｋ：
ＡＣＭ，２０００：１—１２．
【５】ＢＥＲＺＡＬＦ，ＣＵＢＥＲＯＪＣ，ＭＡＲＩＮＮ，ｅｔａ／．１．ＢＡＲ：Ａｎｅｆｆｉｃｉｅｎｔｍｅｔｈｏｄｆｏｒａｓｓｏｃｉａｔｉｏｎｒｕｌｅ
ｍｉｎｉｎｇｉｎｒｅｌａｔｉｏｎａｌｄａｔａｂａｓｅｓ【Ｊ】．Ｄａｔａ＆ＫｎｏｗｌｅｄｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００１。３７（１）：４７－６４．
【６】皮德常，秦小麟，王宁生．基于动态剪枝的关联规则挖掘算法【Ｊ】．小型微型计算机系统，２００４，２５（１０）：１８５０—１８５２．
【７】刘以安，羊斌．关联规则挖掘中对Ａｐｆｉｏｆｉ算法的一种改进研究【Ｊ】．计算机应用，２００７，２７（２）：４１８—４２０．
【８】宫雨．分组多支持度关联规则研究【Ｊ】．计算机工程与设计，２００７，２８（５）：１２０５—１２０７．
【９】史原，鲁汉榕，罗菁，等．基于规模约简和多支持度的关联规则挖掘【Ｊ】．计算机工程与设计，２００６，２７（２１）：４１０５—４１０ｒ７．
【ｌＯ】阮璐，肖冬荣．周杰，等．利用组合支持度进行关联规则挖掘【Ｊ】．微计算机信息，２００８（９）：２３９—２４０．
ｆ１１】楼晓鸿，丁宝康．一种多支持度的关联规则采集算法【Ｊ】．计算机工程，２００１，２７（６）：１０２—１０３．
【１２】李刚，董祥军．多支持度关联规则的研究【Ｊ】．广西轻工业，２００７，２３ｆ５）：６０—６１．
【１３】ｕＵＢＩＮＧ，ＨＳＵＷ，ＭＡＹ．Ｍｉｎｉｎｇａｓｓｏｃｉａｔｉｏｎｒｕｌｅｓｗｉｔｈｍｕｈｉｐｉｅ－ｍｉｎｉｍｕｍｓｕｐｐｏｒｔｓ【Ｃ】／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｆｉｆｔｈＡＣＭＳＩＧＫＤＤｉｎ－ｔｅｒｎａｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎＫｎｏｗｌｅｄｇｅｄｉｓｃｏｖｅｒｙａｎｄｄａｔａｍｉｎｉｎｇ．
ＮｅｗＹｏｒｋ：ＡＣＭ．１９９９：１４３—１５０．
（上接第４３１页）
【１１】ＺＨＡＮＧＹＵＦＡＮＧ，ＸＩＯＮＧＺＨＯＮＧＹＡＮＧ，ＭＡＯＪＩＡＬＩ，ｅｔａ１．【１５】都志辉．高性能之并行编程技术——ＭＰＩ并行程序设计【Ｍ１．北
ＴｈｅｓｔｕｄｙｏｆｐａｒａｌｌｅｌＫ－ｍｅ￥ｆｆｔ８ａｌｇｏｒｉｔｈｍ【Ｃ】／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ６ｔｈＷｏｒｌｄＣｏｎｇｒｅｓｓｏｎＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌａｎｄＡｕｔｏｍａｔｉｏｎ．
Ｗａｓｈｉｎｇｔｏｎ，ＤＣ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２００６：５８６８—５８７１．
ｆ１２】韩晓红，胡或．Ｋ—ｍｅａｎｓ聚类算法的研究【Ｊ】．太原理工大学学报，２００９，４０（３）：２３６—２３９．
【１３】ＳＨＩＹＨ，ＥＢＥＲＨＡＲＴＲＣ．Ｐａｒａｍｅｔｅｒｓｅｌｅｃｔｉｏｎｉｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ【Ｊ】．ＬｅｃｔｕｒｅＮｏｔｅｓｉｎＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，１９９８（１４４７）：
５９１—６００．
【１４】陈国良．并行计算——结构?算法?编程【Ｍ】．北京：高等教育出版社，２００１．
京：清华大学出版社，２００１．
【１６ｌＭＰＩ文档【ＥＢ／ＯＬ】．【２０１０一０５—１０】．ｈｔｔｐ：／／ｗｗｗ．ｍｐｉ?ｆｏｒｕｍ．ｏｒｇ／ｄｏｃｓｄｄｏｃｓ／ｈｔｍｌ．
［１７ＪＭＰＩＣＨ文档［ＥＢ／ＯＬ】．【２０１０—０５—１０】．ｈｔｔｐ：／／ｗｗｗ．１∞ｓ．ａｎｌ．ｇｏｖ／ｒｅｓｅａｒｅｈ／ｐｒｏｊｅｃｔｓ／ｍｐｉｃｈ２／．
【１８】王华秋，廖晓峰．微粒群并行聚类在客户细分中的应用【Ｊ】．计算机应用研究，２００８，２５（１０）：２９８７—２９９０．
【１９】ＵＣＩ数据库【ＥＢ／ＯＬ】．【２０１０一０６—２０】．ｈｔｔｐ：／／ａｒｃｈｉｖｅ．ｉｃｓ．ｕｅｉ．
ｅｄｕ／ｍｌ／ｍａｃｈｉｎｅ－ｌｅａｍｉｎ８一ｄａｔａｂａｓｅｓ／．万方数据
基于MPI的并行PSO混合K均值聚类算法
作者：吕奕清， 林锦贤， L(U) Yi-qing， LIN Jin-xian
作者单位：福州大学,数学与计算机科学学院,福州,350108
刊名：
计算机应用
英文刊名：JOURNAL OF COMPUTER APPLICATIONS
年，卷(期)：2011,31(2)
参考文献(38条)
1.UCI数据库 2010
2.MACQUEEN J B Some methods for classification and analysis of multivariate observations 1967
3.王华秋;廖晓峰微粒群并行聚类在客户细分中的应用[期刊论文]-计算机应用研究 2008(10)
4.AL-DAOUD M B.ROBERTS S A New methods for the initialization of clusters 1996(5)
5.MPICH文档 2010
6.毛韶阳.林肯立优化K-means.初始聚类中心研究 2007(22)
7.MPI 文档 2010
8.王艳华.杨建雄.徐家宁基于免疫遗传的K-Means聚类算法分析 2008(13)
9.都志辉高性能之并行编程技术--MPI并行程序设计 2001
10.KENNEDY J.EBERHART R Particle 8warm optimization 1995
11.陈国良并行计算--结构@算法@编程 2001
12.SU SHENG Image classification based on particle swarm optimization combined with K-means 2009
13.SHI Y H;EBERHART R C Parameter selection in particle swarm optimization 1998(1447)
14.宋凌.李枚毅.李孝源基于粒群优化的K均值算法及其应用 2008(16)
15.韩晓红;胡彧K-means 聚类算法的研究[期刊论文]-太原理工大学学报 2009(03)
16.刘靖明.韩丽川粒子群优化k均值的混合聚类算法研究 2004(z1)
17.ZHANG YUFANG;XIONG ZHONGYANG;MAO JIALI The study of parallel K-means algorithm 2006
18.陶新民.徐晶.杨立标.刘玉一种改进的粒子群和K均值混合聚类算法 2010(1)
19.KAO I W;TSAI C Y;WANG Y C An effective particle swarm optimization method for data clustering 2007
20.KAO I W.TSAI C Y.WANG Y C An effective particle swarm optimization method for data clustering 2007
21.陶新民;徐晶;杨立标一种改进的粒子群和K均值混合聚类算法[期刊论文]-电子与信息学报 2010(01)
22.ZHANG YUFANG.XIONG ZHONGYANG.MAO JIALI The study of parallel K-means algorithm 2006
23.刘靖明;韩丽川粒子群优化K均值的混合聚类算法研究[期刊论文]-中国管理科学 2004(12)
24.韩晓红.胡彧K-means聚类算法的研究 2009(3)
25.宋凌;李枚毅;李孝源基于粒群优化的K均值算法及其应用[期刊论文]-计算机工程 2008(16)
26.SHI Y H.EBERHART R C Parameter selection in particle swarm optimization 1998(1447)
27.SU SHENG Image classification based on particle swarm optimization combined with K-means 2009
28.陈国良并行计算--结构@算法@编程 2001
29.KENNEDY J;EBERHART R Particle 8warm optimization 1995
30.都志辉高性能之并行编程技术--MPI并行程序设计 2001
31.王艳华;杨建雄;徐家宁基于免疫遗传的K-means聚类算法分析[期刊论文]-计算机工程与设计 2008(13)
32.MPI 文档 2010
33.毛韶阳;林肯立优化K-means.初始聚类中心研究 2007(22)
34.MPICH文档 2010
35.AL-DAOUD M B;ROBERTS S A New methods for the initialization of clusters 1996(05)
36.王华秋.廖晓峰微粒群并行聚类在客户细分中的应用 2008(10)
37.MACQUEEN J B Some methods for classification and analysis of multivariate observations 1967
38.UCI数据库 2010
本文链接：https://www.wendangku.net/doc/2b7051714.html,/Periodical_jsjyy201102040.aspx