模糊关联规则挖掘算法在飞行数据分析中的增量更新研究

“一种飞行数据的模糊关联规则挖掘算法”这篇论文提出了一种针对飞行数据的高效模糊关联规则挖掘方法，旨在解决增量更新的问题。通过模糊属性集和关联规则的支持度，该方法能有效地进行增量更新挖掘，减少对数据库的反复扫描，提高挖掘效率。 在关联规则挖掘中，规则通常由项集和它们之间的关系组成，例如“如果飞行员有特定的训练记录，那么飞行事故的可能性较低”。支持度是衡量规则在数据集中出现频率的指标，它定义了一个规则在所有交易中的比例。在传统的关联规则挖掘中，每次数据集更新都需要重新计算所有规则的支持度，这可能导致大量的计算开销。 论文提出的模糊属性集和模糊支持数引入了模糊理论，允许对连续或不精确的数据进行离散化处理，从而更准确地反映数据的特性。模糊聚类中心用于确定数据的模糊类别，这有助于处理数据的不确定性。在数据集发生变化时，通过检查新数据是否满足最小支持度条件，可以快速决定哪些规则需要更新。 增量更新过程分为三个步骤：首先，对输入数据进行模糊离散化，生成模糊属性集；其次，根据模糊支持度评估新数据的影响，将满足条件的项集加入到模糊频繁属性集集合中；最后，通过比较模糊频繁属性集和负边界的差异，确定最终更新后的规则集合。这种方法可以避免多次扫描数据库，大大降低了时间复杂度。 实际飞行数据的验证表明，该算法能够有效地避免时间消耗，精确且高效地提取增量关联规则。这对于实时监控飞行安全、发现潜在风险和优化飞行操作具有重要意义。此外，该研究还涉及到了复杂系统建模、信息融合、多目标跟踪等领域的应用，为这些领域的数据分析提供了新的工具和技术。 关键词：关联规则挖掘，增量更新，模糊属性集，支持度，聚类 中图分类号：TP301.6 文献标志码：A 文章编号：1001-3695(2011)09-3315-03 doi：10.3969/j.issn.1001-3695.2011.09.030 该研究是由梁建海、潘泉、黄鹤和杨峰等人完成，他们在智能信息处理、统计模式识别、复杂系统建模、信息融合等领域有着深入的研究。通过他们的工作，我们可以看到模糊关联规则挖掘在飞行数据分析中的潜力，以及在提高飞行安全性和效率方面的重要作用。