一、一种基于图像的关联规则发现算法的研究（论文文献综述）
程鹏超[1]（2020）在《社交网络跨媒体大数据演进挖掘、搜索与可视化研究》文中研究指明社交网络在人们交流和分享的过程中充当着中间媒介的作用,不仅可以为用户提供优质的服务,而且社交网络平台可以收集用户生成的文本、图像和视频等不同媒体的数据。虽然社交网络跨媒体大数据对于信息流企业具有极大地变现价值,用户编辑的数据往往存在着语义稀疏、噪声多和多义性等缺点。本文基于深度学习、预训练、聚类算法、对抗生成学习等知识和技术,利用社交网络大数据语义扩充算法对社交网络大数据进行特征提取,通过对抗生成网络和参数共享机制将社交网络跨媒体大数据特征映射到统一的公共语义空间,引入社交网络跨媒体大数据之间的关联关系对社交网络跨媒体大数据的搜索进行辅助加速,实现了社交网络跨媒体大数据演进挖掘、搜索与可视化系统。本文完成的主要工作如下:（1）针对社交网络大数据存在的语义稀疏、多义性和噪声多等缺点,提出了社交网络短文本语义扩充算法（BBLA）和社交网络图像语义扩充算法（VMA）。在社交网络短文本语义扩充方面,设计了适用于社交网络短文本数据的深度神经网络,通过结合预训练模型Bert、长短时循环网络和注意力机制,获取了具有上下文语义信息的文本语义扩充向量,利用有监督的方式对文本数据进行训练和学习,实现了社交网络短文本的语义扩充;在社交网络图像语义扩充方面,利用VGG-16模型对社交网络图像数据特征进行获取,通过在提取图像特征的过程中引入多头注意力机制,获取了具有丰富语义的图像语义扩充向量,实现了社交网络图像的语义扩充。（2）为了加速社交网络跨媒体大数据搜索效率,提出了基于时间和转发关系的社交网络跨媒体大数据关联关系发现算法（ADSTR）。通过对社交网络跨媒体大数据进行聚类分析和关联规则发现,获取了社交网络大数据之间的关联关系,构建出媒体内和媒体间数据的关联矩阵,实现了社交网络跨媒体大数据之间的关联关系发现。对于社交网络跨媒体大数据演进规律挖掘方面,利用基于时间和转发关系的社交网络跨媒体大数据关联关系发现算法对社交网络跨媒体大数据进行分时间片的关联关系发现,获取了每个话题在演变过程中的变化规律,实现了社交网络跨媒体大数据演进规律的挖掘。（3）针对以微博为代表的社交网络存在的语义鸿沟和搜索效率低的问题,提出了基于公共表示与关联关系的社交网络跨媒体大数据搜索算法（CPRT-IR）,利用对抗生成网络将社交网络文本特征与对应的图像特征映射到公共语义空间,根据公共语义空间中各媒体的表示生成重构的文本与图像特征,将跨媒体大数据的重构特征与原始特征的差异和对媒体间数据的判别损失作为网络损失的组成部分,通过生成模型与判别模型的相互博弈,获取了社交网络跨媒体大数据公共特征表示,解决了社交网络跨媒体大数据之间语义鸿沟的问题。为了进一步加快搜索的效率,通过结合社交网络跨媒体大数据的公共表示和社交网络跨媒体大数据之间的关联关系,实现了社交网络跨媒体大数据的高效搜索。通过降维和聚类分析的方法,分别对社交网络跨媒体大数据公共表示和搜索结果进行可视化,实验结果进一步验证了基于公共表示与关联关系的社交网络跨媒体大数据搜索算法的有效性。（4）实现了社交网络跨媒体大数据演进挖掘、搜索与可视化系统。系统由语义扩充模块、关联关系发现与演进挖掘模块和搜索与可视化模块三个模块组成。实现了各项功能完备,操作友好的系统。
李国昌[2]（2020）在《流程对象在线实时知识发现系统的设计与实现》文中研究表明在流程工业中,生产管理过程普遍采用DCS分布式的控制管理系统,它可以实时地监测流程工业的生产状态,形成状态数据。流程工业的生产过程强调实时性和高效性,而通过对实时采集到的工业数据流进行在线数据挖掘,可以更有效的挖掘出对实际生产活动有价值的技术知识,并可以对工业数据快速的做出响应,更好的辅助决策于生产。本文以完整的燃煤锅炉生产过程作为研究对象,针对工业数据流规模不断增长、对象实时更新、价值随时间衰减等特点,提出了一种增量式模型更新的实时知识发现算法。算法包含数据预处理、基于滑动窗口的数据流聚类、概念迁移判断、关联链挖掘、模型预测更新。并在算法的各个阶段采用Spark框架进行并行加速,以此实现知识发现效率的提升。最终设计了流程对象在线实时知识发现系统,并在某热电公司进行部署与应用。在锅炉生产中,工业数据流是通过所有生产环节的数据集成汇聚得到的。采集过程难免会存在噪声,所以首先要对数据进行清洗。而后要挖掘所有环节正确的时序。本文采用基于差分极值的算法进行时序计算。得到的序列次序,为后续关联规则筛选作铺垫。对于数据流来说,需要考虑数据价值衰减的问题。而生产人员比较关心的是近期时间内的锅炉状态,本文采用了基于滑动窗口的数据流聚类算法来保留近期的工况变化,并降低数据的离散程度。并对比数据流到来前后的聚类结果,如果发生明显变化,可以判定发生了概念迁移,此时锅炉的工况可能发生巨大的改变,迫切需要发现新的知识,所以继续进行后续知识发现算法;如果没有发生明显变化,就继续等待下一个采样窗口。在关联链挖掘阶段中,针对流程对象多环节性的特点,本文采用了基于FP-Growth的维间关联规则算法,并加入兴趣度与关联度的计算。通过计算规则频数占比计算环节间的关系（关联度）,形成各环节间关联度表;最后通过时间序列以及关联度表串联生成最终的关联链。关联链是一种链式的关联规则,能够形象的体现出环节间状态的关联。各环节的关联链,以及前一阶段滑动窗口中的近期锅炉工况状态数据,都为模型预测打下良好的数据基础。本文采用了柔性神经树算法,获得关键参数的趋势预测表达式。最终实现了模型的增量式更新,让模型更加适合不断变化的锅炉状态。最终该模型应用于流程对象在线实时知识发现系统。该系统实现了对实时采集到工业数据流进行在线的知识发现,还实现了对关键参数的实时状态监测,数值预测,可视化的趋势预测对比图像,以及更有效的故障检测。并为生产人员的锅炉参数调节提供了辅助决策。
邵航[3]（2020）在《基于数据挖掘的城市食品质量安全知识发现与情报提取》文中进行了进一步梳理城市是现代人类最重要的聚居空间,也是人类文明的数据洪流交汇集中的枢纽。城市中的食品质量安全与人民群众的生命安全密切相关。源于食品领域的安全隐患可能通过我们未知的发生机理,演化为各类危及社会公共卫生安全的不明形态突发事件。在大数据和人工智能高速发展的今天,为了及时防范化解潜在的食品安全及其衍生危机,依托数据挖掘技术的食品安全事件预警防控体系,应该成为突发公共卫生事件预警防控的前哨阵地。本文的研究从海量的食品安全数据中开展深度数据挖掘,以数据科学发展前沿的机器学习与人工智能技术为方法,以面向国家安全与发展战略的情报科学为手段,以与食品安全密切相关的食品科学的经典知识为背景,发现隐性知识,并最终提取为食品安全情报,直接作用于食品安全事件乃至突发公共卫生事件的监管防控,从而防范化解重大社会公共安全隐患。本文的研究将主要围绕如下五大重点任务展开:（1）探索和构建基于数据挖掘的新型社会公共安全情报分析提取体系模型。在总结“数据挖掘与知识发现”和“情报提取与情报分析”两大板块前人研究所涉及的基础理论、研究流程和基本范式的基础上,独立地提出了数据驱动的PMDA-DIKI公共安全情报分析提取体系模型。该模型描述了多源数据变为安全情报的过程中,数据处理流程和数据存在形态的基本演进路径,同时也定义了从数据出发进行公共安全情报提取的操作步骤,即:采取“加工处理→数据挖掘→知识发现→算法激活”的手段,使数据按照“数据→信息→知识→情报”的级次逐步被提取为所需要的公共安全情报。在以食品安全数据为研究对象时,采取了“三分法”,将食品安全数据类型划分为准结构化食品安全数据、半结构化食品安全数据、非结构化食品安全数据,有利于根据数据结构特征的差异,有的放矢地采用更加契合的机器学习算法,开展知识发现与情报提取。该模型的建立为后续研究提供了理论基础和行动依据。（2）针对准结构化的食品安全行政处罚数据,采用基于R语言的广度优先的Apriori算法和Quantum GIS软件,展开了食品安全情报提取。结果表明武汉地区食品安全事件在时间上表现出冬春季高发,在空间上表现出长江北岸严重于长江南岸,在地理分布上沿“鄂东走廊”呈西北-东南向递减;以“最小支持度=0.0135,最小可信度=0.1”的参数设置,在隐性规律上提炼出“{黄曲霉毒素B1→调味品→芝麻酱}”和“{糖精钠→蔬菜制品→萝卜丁}”等重要关联规则。该研究为武汉地区食品安全风险,乃至公共卫生事件风险的防范化解均提供了有益参考。（3）针对半结构化的食品安全理化指标数据,以CART和Adaboost算法,结合部分依赖图,以及社会网络分析开展了食品安全情报提取。结果表明经过训练的CART和Adaboost决策树对新输入猪肉脯的理化指标识别率达到了90%以上;部分依赖图显示“蛋白质23-35g/100g,挥发性盐基氮18-28mg/100g”时猪肉脯质量安全水平最高;社会网络分析法发现了“铅-蛋白质-脂肪”等隐性关系链条,为食品生产工艺的过程控制提供了有益参考。（4）针对非结构化的食品安全图像数据,采取像素色值分析与人工神经网络相结合的方法,展开了食品安全情报提取。首先使用RGB像素色值分析提取出“安全”和“不安全”的30个宜昌蜜橘样本的像素特征,以EMD算法进行聚类分组,并以荧光标记进行定量评估;然后使用Rprop神经网络对基于果皮成色的宜昌蜜橘的质量安全水平进行了预测,准确率达到90%以上,为基于图像的食品质量无损检测技术提供了有益参考。（5）讨论了城市食品安全情报系统的现实构建问题,提出以“专业化城市公共安全情报工作站”的形式实现城市食品安全情报工作系统。结果表明,专业化的情报分析队伍、矩阵化的组织架构、专业智库式的工作流程和面向大数据处理的工作环境能够满足城市食品安全情报系统构建的现实需求。该系统的构建,为城市食品质量安全,甚至其他公共安全情报体系的现实层面的实现提供了可参考案例。本文使用数据挖掘与知识发现的技术方法,从公共安全情报的角度,对城市食品安全的监管防控提供了有力的决策支持,同时也探索出一条具备在其他公共安全领域应用潜质的新型公共安全情报分析提取途径。
顾静秋[4]（2018）在《农业数据智能感知与分析关键技术研究》文中进行了进一步梳理随着互联网与物联网技术的发展,在农业领域积累了海量的产前、产中、产后数据,多种多样的农业信息服务系统层出不穷,但对于农业新型生产经营主体人员而言,当前我国农业信息服务成本和门槛仍较高,面向农民、农村的信息服务系统仍然相对匮乏,农业大数据与信息孤岛现象并存。农业信息服务往往针对特定地区、特定应用、特定数据资源,造成数据开发利用难度逐渐加大,因缺乏有效的分析提炼,数据资源向有用信息的转化效率过低,造成农业领域数据资源不断丰富与农业信息服务相对匮乏之间的矛盾。为此,本文研究农业物联网、互联网数据的汇集与抽取技术,实现农业数据智能感知;针对农业数据多源异构特点以及不同农业场景下的具体业务需求,研究农业数据智能分析挖掘方法,实现数据到信息的转变;通过建立用户兴趣模型研究用户聚类与个性化推荐算法,实现用户兴趣导向的个性化精准农业信息服务。项目研究内容对提高我国农业信息服务水平与质量,推动农业现代化进程具有重要的研究与现实意义。近年来,学术界在大数据分析与个性化推荐方面已取得较为丰富的成果,但在农业应用领域还存在数据来源不稳定、数据质量不高、信息挖掘决策精度低以及服务推送针对性不强等问题。为了更好的利用信息化技术手段为农民进行服务提升农业生产经营效率,本文将按照信息感知采集、挖掘分析、个性化推荐的流程,从农业物联网、互联网数据智能感知、面向农业多源异构数据的智能挖掘分析方法与典型场景应用以及基于用户兴趣模型的个性化信息推送几个层面对农业数据感知与智能分析关键技术展开深入研究与讨论。主要研究成果和贡献如下:（1）农业复杂干扰环境下物联网数据感知汇集过程存在质量不高、稳定性与时效性差等问题,本文研究提出了一种基于数据关联分析的农业物联网高效数据汇集方法。针对农业复杂环境下信道链接不稳定问题,采用机会传输路由的方式提高了数据传输可靠性与网络数据吞吐量。同时根据农业应用场景特点,重点考虑网络的带宽、能量等资源受限问题,从节点数据间关联分析与能耗感知角度对机会路由中继选择与协调的权值进行优化,实现了农业复杂环境下的物联网数据高效感知汇集。在互联网数据采集方面,针对互联网农业领域数据纷杂,信息提取环节缺失等问题,研究了农业垂直领域互联网信息智能抽取方法。通过农业Web页面的多种特征融合,结合机器学习的规则学习算法,提出一种基于多特征与自学习的Web信息抽取方法,该方法在尽量减少人工干预的情况下正确识别农业信息网页的正文内容部分,抽取需要的农业信息实体数据,并且能够自适应网页结构的变化。（2）随着农业领域物联网、互联网技术的飞速发展,积累形成了大量的农业数据资源,如何有效挖掘其中的有用信息是需要解决的问题。本文针对农业大数据多源、异构、噪声大等特点,研究数据预处理方法,通过清洗、过滤、集成等方法步骤处理提高大数据质量,保证数据的可用性。在数据预处理的基础上,提出一种基于频繁集的Apriori改进方法进行多维大数据间的关联规则分析,发掘农业海量异构数据中的规律和价值,为农业领域实现高效信息服务提供基础。针对农产品价格供需信息不对称,影响农业生产收入水平的问题,基于互联网上抽取的农产品市场价格信息,从农产品价格时空分布角度进行数据关联分析,发现敏感、异常的波动情况,并对某类农产品价格变化趋势以及受其他农产品价格波动的影响进行预测,进而为农业生产前期决策与经营销售提供信息支撑。（3）为解决动物繁育、疫病等早期检测问题,研究基于农业物联网的数据聚类与图像识别等方法,结合动物生理、疫病行为模型,以奶牛养殖为对象,提出一种基于图像熵的奶牛目标对象识别方法,通过最小包围盒面积计算与目标对象轮廓图,实时捕获奶牛爬跨行为。结合蹄部、背部特征,融合被识别奶牛连续7d的运动量,判断影响奶牛健康繁殖的异常行为,提高奶牛养殖管理的科学化程度。（4）农业大数据在完成了有效的数据挖掘分析后依然面临着“信息过载”的问题,农业信息种类多样,分类复杂,具有地域性、时效性和周期性,用户的信息需求也随这些发生变化,如何根据用户特征实现挖掘结果的精准推荐服务是农业智能信息服务的关键环节。为此,本文提出一种基于用户兴趣模型的个性化推荐方法,通过对用户注册信息得出显性特征（如职业、种植类型、文化水平、地理位置等）,根据用户浏览操作记录提取用户隐性特征（如性格偏好、种植经验、农情农事等）,进而建立情境融合的用户行为兴趣模型,并基于该模型用协同过滤的产生式推荐方法实现用户信息的按需精准推送。
孙新[5]（2013）在《融合空间谓词的高空间分辨率遥感图像关联分类方法研究》文中研究指明高空间分辨率遥感图像中地物的“同谱异物”和“同物异谱”现象变得尤为普遍,这极大地影响了计算机自动地物分类的效果与精度。常见的面向对象监督分类的主要判别依据是特征距离,实现模式分类需要依据模式在特征空间中距离的远近来判断。然而,“同谱异物”和“同物异谱”的特征使得高空间分辨率遥感图像中众多地物难以仅依据特征距离就可以相互区分,需要使用新的分类方法。空间谓词用来描述分类对象的地理空间信息,描述遥感图像中对象之间的空间关系。将空间谓词与非空间谓词融合,挖掘出融合空间谓词的空间关联规则,可以建立起遥感图像空间谓词、非空间谓词与地物类别之间的关联,如果将空间关联规则引入到遥感图像分类上将具有很高的应用价值和研究潜力。本文面向高空间分辨率遥感图像信息提取,结合面向对象遥感图像监督分类方法,对融合空间谓词的遥感图像分类方法进行了研究,内容主要包括：（1）获取特征基元空间、非空间谓词。本文首先使用光谱和形状特征结合的多精度图像分割方法对高空间分辨率遥感图像进行影像分割,同时获取遥感图像各特征基元的非空间特征,借助优化了初始聚类中心的K-Means++聚类算法对特征基元的非空间特征进行属性分段,利用信息增益法对特征基元的非空间特征降维；再获取特征基元的地物类别和约减后的空间信息；最后还需将若干个规则生成区的空间谓词、非空间谓词、地物类别合并到同一个事务数据库用于后续空间关联规则挖掘。（2）挖掘出频繁的、可靠的空间关联规则。首先借助FP-Growth算法,从由若干个规则生成区的遥感图像特征基元的空间谓词、非空间谓词和地物类别构成的事务数据库中提取出频繁模式集：再使用能够克服频繁模式海量且无序特点的方法挖掘出空间关联规则；最后再借助能够消除冗余或冲突规则的方法对空间关联规则剪枝。（3）高空间分辨率遥感图像空间关联分类与监督分类的融合分类。首先描述了空间关联规则推广到遥感图像地物分类的方法；其次分别寻找空间关联分类与K近邻分类、支持向量机分类的结合点,将空间关联分类与这两种常用的监督分类方法相融合并应用于遥感地物分类；最后通过实验对比融合分类和传统监督分类的结果与精度,验证本文的分类方法。本文采用GeoEye-1的2米庐山地区高空间分辨率遥感图像作为实验数据,利用所挖掘的空间关联规则进行了分类试验,并将分类结果和传统的面向对象监督分类方法进行了对比。实验结果表明本文的融合空间谓词的高空间分辨率遥感图像关联分类方法避免了分类特征集合和分类规则人工设定的问题,并自动学习了分类的空间关联知识,可获得高精度地物分类结果。
来旭[6]（2010）在《基于内容的卫星云图挖掘方法研究》文中提出卫星云图全面、及时、动态的反映各类云系的特点及变化过程,成为气象、水利部门在防洪抗旱决策过程中不可或缺的重要参考依据。多年的云图接收积累了数量巨大的卫星云图,依靠人工判读方式根本无法满足时效性要求,尽管一些人工智能的方法能自动完成数据分析,但这类方法只能按照设定的规则执行,不能主动发现隐含在数据内部的知识。图像挖掘技术作为数据挖掘领域研究的前沿,提供了从大量图像中获取隐含的、有价值的、可理解知识的理论及方法。本文以图像挖掘技术理论与方法为指导,设计了面向云图集和云图—雨量混合数据集的三类挖掘任务,所获得知识将对云图智能化理解和基于卫星云图的降水预测等研究具有重要价值。论文的研究工作及贡献包括以下方面:（1）在卫星云图预处理方法研究中,提出了新的非线性自适应噪声滤除算法。该算法与常用的中值滤波技术相比,它能有效的消除椒盐噪声,保护云图中非噪声点不受影响,确保像素信息能够真实反映云内状态。云图中存在经纬线、地名等标注对象,它们会影响云图特征参数的提取。针对标注对象的形状特点,提出一种基于整体变分技术的标注对象剔除算法,通过引入权值改进了整体变分的离散化过程。结果表明算法有效剔除标注对象的同时保护了邻域信息。（2）在云图感兴趣区域提取研究中,提出了基于云图直方图的加权聚类算法,利用该算法实现典型云区的提取。为了更加符合云图数据样本在特征空间的分布特点,重点研究了对聚类算法的改进策略:1)针对类别个数自适应确定方法的改进,提出利用遗传算法结合评价指标曲线找出最优类别数,提高算法自动化水平。2)针对相似性测度的改进,提出基于链式距离的相似性测度,克服了欧式距离测度对数据分布的敏感性问题。3)针对聚类机制的改进,引入半监督思想,既能克服单纯聚类的盲目性问题,又能避免分类面临的训练样本问题。以直方图替代云图像素作为聚类对象,大幅减少了算法处理时间。（3）在云类智能识别的研究中,本文针对特征提取、特征选择、分类模型三个问题提出了对应的算法及模型。针对云区的无规则特性,提出了“基圆模型描述法”用于云区的描述,在此基础上提取云的形态特征参数,克服了以往算法只能提取颜色、纹理等特征的不足。为避免过拟合问题,本文采用特征曲线分析方法,从特征候选集中确定分类模型的输入特征集。本文提出将“IPSO—BP网络模型”作为分类模型。该模型采用改进的粒子群优化算法替代后向学习算法作为BP神经网络模型的学习算法,在一定程度上克服了收敛速度慢,易陷入局部极小值,过分依赖初始值的选择等不足。为了在原有分类模型框架下更好的利用多特征信息,本文提出了基于多特征融合的组合分类模型,将特征子集分别送入子分类模型后作出本地决策,采用投票表决法将多个本地决策融合后获得最终的结果。结果表明多特征融合分类模型在分类精度上优于单一分类模型。（4）在基于云图—雨量混合数据集的关联规则挖掘研究中,本文以云图灰度和云顶亮温间的关系为基础,设计了四种与降雨关系密切的云状态参数。通过时空同步处理,云图参数和雨量数据构成统一的混合数据集。为实现数值属性的转换,本文提出一种基于聚类的数值属性分区方法,它克服了“等深度区间划分法”对数据倾斜敏感的问题。为了提高对大规模云图—雨量混合数据集的处理效率,本文提出了基于数据分割的两阶段关联规则挖掘算法,它通过将原始数据库划分为多个独立的区间,由每个子区间的局部频繁项集产生全局候选项集,并设计了专门用于支持度计算的数据结构tidlists ,这些策略有效的减少了算法对数据库的扫描次数,大幅提高了算法的效率。结果表明当支持度阈值处于较低水平时,本文算法的执行效率显着优于Apriori算法的执行效率。
陈健美[7]（2008）在《基于密度聚类和多特征融合的医学图像识别研究》文中研究表明图像识别是根据图像数据特征,利用识别理论与方法对图像进行分类的过程,属于图像处理和模式识别的研究范畴。医学图像识别是医学影像自动诊断的核心内容,是国内外医学领域重点研究的方向。医学图像中蕴含着丰富的人体图像特征信息和规则,其高分辨率、数据的海量性、图像特征表达的复杂性等特点,使得医学图像识别研究面临挑战。研究和探索适合于医学图像自动识别的技术、方法及其算法等医学图像识别的理论和实践问题具有重要而现实的意义,对辅助医生进行医学图像临床诊断具有重大实用价值。论文以医学图像数据为研究对象,在总结国内外关于医学图像识别研究的关键问题、技术方法和研究进展的基础上,针对医学图像数据特征的多维性、复杂性等特点,系统研究了医学图像识别问题,并提出基于密度聚类、多特征融合、融合特征关联的医学图像识别技术、方法及其算法。主要内容体现在以下几个方面。（1）医学图像数据密度分布研究。论文研究了非参数密度函数构造、混合密度函数构造,并将其应用到医学图像识别研究领域。图像象素的灰度及其密度是表达医学图像特征的主要内容,文章深入研究了医学图像的核密度估计函数和混合密度函数,提出适合医学图像数据的核密度估计模型和高斯混合密度估计模型。（2）基于密度聚类的医学图像识别研究。论文从聚类分析的角度出发,根据医学图像的核密度估计模型和高斯混合密度估计模型,提出了基于核密度模型的医学图像爬山聚类算法和基于高斯混合密度模型的医学图像数据加权聚类算法。应用这两种聚类算法进行了实验研究,结果表明,算法能够较好地分类出医学图像中有语义的人体器官,达到了医学图像有效识别的效果。这种基于密度聚类的医学图像识别为医学图像自动分割提供了新的技术支持。（3）基于多特征融合的医学图像识别研究。医学图像的许多特征都能在一定程度上表达医学图像内容,论文围绕多特征问题,试图从特征融合的角度,研究医学图像的识别问题。从表达医学图像的内容特征出发,论文系统研究了图像特征级的数据融合问题,提出医学图像特征数据融合的框架和基于多特征融合的医学图像识别方法和实现技术。（4）基于特征融合的医学图像关联识别研究。论文提出了一种基于特征融合的医学图像关联识别方法,该方法同时考虑医学图像的所有属性,在训练样本上挖掘频繁属性集和类标签之间的强关联规则,关联规则中的频繁项目集挖掘采用频繁闭项目集挖掘方法,并利用这些强关联规则构造分类器,从而可以判断给定医学图像是否正常,因而能进一步提高医生诊断病情的准确性。本文提出的基于密度聚类的医学图像识别方法及其算法、基于多特征融合的医学图像识别方法及其算法、基于融合特征的医学图像关联识别方法及其算法等创新性研究成果,对医学图像识别研究、医学图像自动诊断和临床医学早期诊断都具有重要意义。
胡文瑾[8]（2008）在《关联分类算法研究及其在医学图像数据挖掘中的应用》文中进行了进一步梳理数据分类是数据挖掘中的一个重要课题。近年来研究提出的关联分类（associative classification简称AC）——将关联规则挖掘和分类结合起来,作为一种新的数据分类方法在数据挖掘领域引起了广泛的关注。自1998年出现第一个基于关联的分类算法（CBA）以来,有不少学者对关联分类算法的设计及应用进行了深入的研究。随着医院使用计算机进行信息化,其各种医学信息数据库不断地建立。此外又由于医学技术本身具有很强的实验性、实践性和统计性等特点,使数据挖掘在医学诊断领域的应用具有重要的实用价值和广阔的发展前景。因此,面向医学图像的数据挖掘技术研究成为医学和计算机科学交叉学科研究的一个十分重要的领域。目前,面向医学图像的数据挖掘研究刚刚起步,现有的数据挖掘方法直接应用还存在许多问题。研究和探索适于医学图像的数据挖掘方法具有重要、现实的意义,对辅助医生进行临床诊断具有重要实用价值。本文在分析CBA算法的基础上,针对其存在的问题提出了一种基于属性重要性的关联分类算法（IRARC）。该算法的特点在于引入属性重要性,从而大大减少了生成候选项目集的数目,解决了频繁项目增加时运算时间显着增加的问题,提高了算法的效率;引入规则优先度的概念解决了规则选择的随机性。实验结果表明,IRARC算法比CBA算法有明显的优势,可以应用于大规模数据库的知识发现中。此外,对关联分类算法在医学图像数据挖掘中的应用进行了系统、深入地分析研究,针对医学图像本身的特点使用FP-Growth算法,解决了传统关联分类算法在医学图像数据挖掘中有大量强模式、长模式或阈值较低时的不足;采用改进的规则优先度的定义构造分类器。实验数据表明,该算法具有较高的精度和时效性。
田广昊[9]（2008）在《基于关联规则的图像挖掘技术研究》文中指出随着图像数据获取设备和获取手段的广泛应用,我们获取了海量的图像数据,数据库急剧膨胀,这造成了“数据过量而知识贫乏”的瓶颈。如何从这些图像数据中挖掘出有用的知识,是目前迫切需要解决的问题。本文对目前图像挖掘的研究及应用现状进行综述,阐明了图像挖掘的特点及图像挖掘的主要问题,随后分析了图像挖掘的框架模型,介绍了图像挖掘的主要技术。本文详细论述了基于关联规则的图像挖掘技术。设计完成了一个图像挖掘原型系统。最后借用实例研究了基于关联规则的图像挖掘技术在现实中的应用,通过关联规则方法获取了相关规则,进而对挖掘出图像知识的管理和存储进行了探讨,为相关的决策支持提供了参考。
王佐成[10]（2007）在《基于纹理的遥感图像分类研究》文中研究表明在遥感图像分类中，引入纹理特征能够很好地提高分类精度，已经得到研究人员的高度重视。另外，针对遥感图像的数据量大，更新快的特点，近年来兴起的数据挖掘技术为处理这些海量的遥感数据提供了新的技术手段和方法。纹理特征可看作图像中反复出现的局部模式和它们的排列规则，而关联规则数据挖掘方法够挖掘大型数据库中的频繁模式，这成为遥感数据处理与数据挖掘相结合的一个切入点。在图像中，纹理特征由于各种因素的影响，其模糊性和随机性表现尤为突出，采用模糊方法来处理图像模糊问题具有广阔的应用前景。基于模糊集的云理论为研究图像模糊纹理提供了新的理论依据，将其引入到遥感图像处理领域是一种创造性的应用。本文以遥感图像纹理特征作为研究对象，将其作为图像分类特征值进行遥感图像监督和非监督分类研究。在分类中重点研究了两种目前较为新颖的方法技术：一是基于数据挖掘图像纹理联合关联规则的遥感图像监督分类；另一个是基于模糊纹理特征矢量云的遥感图像非监督分类，最后用对象云模型对图像分类区域的模糊表达进行了研究。论文创新点在于：1．针对图像纹理数据挖掘的关键问题，提出适合纹理图像数据挖掘的方法体系，包括图像表示模型、基于象素特征图像纹理关联规则定义、纹理图像挖掘预处理、纹理图像模板统计挖掘算法。该方法体系涵盖了图像数据挖掘的各个环节，能够较充分挖掘出纹理图像中的关联规则。2．提出将遥感图像纹理特征联合关联规则作为纹理图像的特征表达。根据图像模板统计挖掘方法挖掘出系列频繁模式，实验证明通过这些频繁模式，能够较好表达图像的纹理特征。因此我们将其引入到图像监督分类算法中，通过建立纹理图像样本区域的纹理联合关联规则，构造模糊分类器，对纹理图像进行监督分类。实验证明该算法时间复杂度低，对于海量遥感数据的快速处理具有重要理论和应用价值。3．针对遥感图像的模糊性和随机不确定性的特点，创造性地将云模糊理论引入遥感图像处理领域，借助云模糊理论能够将定性论域的模糊性和随机性完全集成到一起构成定性和定量相互间映射的特性，来处理遥感图像的模糊和随机性。通过对纹理统计方法中纹理描述符的相关性分析，抽取最能表达某种纹理的遥感图像纹理描述符，基于遥感图像纹理特征，在图像微窗口进行多维云数字特征生成，构建纹理特征多维矢量云来表达遥感图像纹理特征。在此基础上，我们提出纹理特征矢量云距离计算方法，采用模糊聚类算法对遥感图像进行非监督分类，实验证明该方法能够提高图像分类的精度，并且算法收敛速度快。4．针对图像分类所获取的区域具有不确定边界，提出采用对象云模型来表达遥感图像上模糊空间分类区域（对象）。借助形态学中腐蚀的方法，获得空间对象区域的核心部分，将这部分最能够代表对象特征的区域作为云核，根据生成的云核，构建云滴隶属度数字特征，得到对象云及其数字特征表示。最后用对象云相似性对该表达方法进行分析验证，证明对象云能够很好地表达图像中的模糊对象区域。
二、一种基于图像的关联规则发现算法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于图像的关联规则发现算法的研究（论文提纲范文）
（1）社交网络跨媒体大数据演进挖掘、搜索与可视化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.3.1 基于深度学习的社交网络大数据语义扩充 |
| 1.3.2 社交网络跨媒体大数据关联关系发现与演进挖掘 |
| 1.3.3 基于公共表示与关联关系的社交网络跨媒体大数据搜索与可视化 |
| 1.3.4 社交网络跨媒体大数据演进挖掘、搜索与可视化系统 |
| 1.4 论文总体结构 |
| 第二章 相关技术 |
| 2.1 深度学习 |
| 2.1.1 长短时记忆网络(LSTM) |
| 2.1.2 卷积神经网络(CNN) |
| 2.1.3 注意力机制(Attention) |
| 2.2 基于Transformer的双向语言模型(Bert) |
| 2.3 VGG网络(VGG-Net) |
| 2.4 聚类算法 |
| 2.4.1 相似度计算 |
| 2.4.2 K-means++聚类算法 |
| 2.4.3 Single-pass聚类算法 |
| 2.5 对抗生成学习 |
| 2.6 本章小结 |
| 第三章 基于深度学习的社交网络大数据语义扩充 |
| 3.1 基于深度学习的社交网络短文本语义扩充算法(BBLA)的提出 |
| 3.1.1 基于深度学习的社交网络短文本语义扩充(BBLA)算法总体框架 |
| 3.1.2 预训练模型和注意力机制的引入 |
| 3.1.3 基于深度学习的社交网络短文本语义扩充(BBLA)算法实现步骤 |
| 3.2 基于深度学习的社交网络图像语义扩充算法(VMA)的提出 |
| 3.2.1 基于深度学习的社交网络图像语义扩充(VMA)算法的总体框架 |
| 3.2.2 多头注意力机制的引入 |
| 3.2.3 基于深度学习的社交网络图像语义扩充(VMA)算法实现步骤 |
| 3.3 实验结果及分析 |
| 3.3.1 数据集描述 |
| 3.3.2 评价指标 |
| 3.3.3 基于深度学习的社交网络短文本语义扩充(BBLA)算法实验结果及分析 |
| 3.3.4 基于深度学习的社交网络图像语义扩充(VMA)算法实验结果及分析 |
| 3.4 本章小结 |
| 第四章 社交网络跨媒体大数据关联关系发现与演进挖掘 |
| 4.1 基于时间和转发关系的社交网络跨媒体大数据关联关系发现(ADSTR)算法的提出 |
| 4.1.1 基于时间和转发关系的社交网络跨媒体大数据关联关系发现(ADSTR)算法总体框架 |
| 4.1.2 基于时间和转发关系的社交网络跨媒体大数据关联关系发现(ADSTR)算法思想 |
| 4.1.3 基于时间和转发关系的社交网络跨媒体大数据关联关系发现(ADSTR)算法实现步骤 |
| 4.2 社交网络跨媒体大数据演进规律挖掘算法的提出 |
| 4.2.1 社交网络跨媒体大数据演进规律挖掘算法总体框架 |
| 4.2.2 社交网络跨媒体大数据演进规律挖掘算法实现步骤 |
| 4.3 实验结果及分析 |
| 4.3.1 数据集描述 |
| 4.3.2 评价指标 |
| 4.3.3 基于时间和转发关系的社交网络跨媒体大数据关联关系发现(ADSTR)算法实验结果及分析 |
| 4.3.4 社交网络跨媒体大数据演进规律挖掘算法实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于公共表示与关联关系的社交网络跨媒体大数据搜索与可视化 |
| 5.1 基于公共表示与关联关系的社交网络跨媒体大数据搜索(CPRT-IR)算法的提出 |
| 5.1.1 基于公共表示与关联关系的社交网络跨媒体大数据搜索( CPRT-IR)算法总体框架 |
| 5.1.2 基于对抗生成网络的公共表示空间学习的引入 |
| 5.1.3 基于对抗生成网络的公共表示空间学习优化过程 |
| 5.1.4 社交网络跨媒体大数据关联关系的引入 |
| 5.1.5 基于公共表示与关联关系的社交网络跨媒体大数据搜索(CPRT-IR)算法实现步骤 |
| 5.2 社交网络跨媒体大数据可视化 |
| 5.3 实验结果及分析 |
| 5.3.1 数据集描述 |
| 5.3.2 评价指标 |
| 5.3.3 基于公共表示与关联关系的社交网络跨媒体大数据搜索(CPRT-IR)算法实验结果及分析 |
| 5.3.4 社交网络跨媒体大数据可视化实验结果及分析 |
| 5.4 本章小结 |
| 第六章 社交网络跨媒体大数据演进挖掘、搜索与可视化系统的实现 |
| 6.1 系统描述 |
| 6.1.1 系统实现功能 |
| 6.1.2 系统总体框架设 |
| 6.1.3 系统存储设计 |
| 6.1.4 系统开发环境与工具 |
| 6.2 系统各模块实现 |
| 6.2.1 语义扩充 |
| 6.2.2 关联关系发现与演进挖掘 |
| 6.2.3 搜索与可视化 |
| 6.3 系统分析 |
| 6.3.1 系统测试环境 |
| 6.3.2 测试用例及结果 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间研究成果 |
（2）流程对象在线实时知识发现系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容与创新点 |
| 1.3.1 论文的主要内容 |
| 1.3.2 论文的创新点 |
| 1.4 论文组织结构 |
| 第二章 燃煤锅炉流程对象及其算法流程 |
| 2.1 燃煤锅炉的流程对象 |
| 2.1.1 流程对象 |
| 2.1.2 流程对象的特点 |
| 2.1.3 关于燃煤锅炉流程对象的参数调节 |
| 2.2 相关的算法流程 |
| 2.3 对系统进行并行化设计 |
| 2.3.1 相关并行计算的理论 |
| 2.3.2 Spark集群计算框架 |
| 2.4 本章小结 |
| 第三章 锅炉数据预处理以及数据流聚类 |
| 3.1 锅炉数据预处理 |
| 3.1.1 原始数据 |
| 3.1.2 时序调整 |
| 3.2 基于滑动窗口的数据流聚类算法 |
| 3.2.1 滑动窗口 |
| 3.2.2 概念迁移 |
| 3.2.3 K-means聚类算法并行化 |
| 3.3 本章小节 |
| 第四章 关联链的挖掘 |
| 4.1 引言 |
| 4.2 簇类间关联规则 |
| 4.3 环节间关联规则 |
| 4.4 关联链 |
| 4.5 FP-Growth关联规则算法 |
| 4.6 本章小结 |
| 第五章 模型预测更新 |
| 5.1 引言 |
| 5.2 柔性神经树算法及流程 |
| 5.3 实验分析 |
| 5.4 本章小结 |
| 第六章 流程对象在线实时知识发现系统的实现 |
| 6.1 系统概述 |
| 6.2 系统环境 |
| 6.3 数据库设计 |
| 6.4 系统功能模块图 |
| 6.5 系统流程图 |
| 6.6 系统功能分析 |
| 6.6.1 实时知识发现模块 |
| 6.6.2 查询模块 |
| 6.6.3 预测模块 |
| 6.6.4 实时监测模块 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（3）基于数据挖掘的城市食品质量安全知识发现与情报提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本研究的理论基础与现实价值 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 数据科学与食品安全交叉研究的国内现状 |
| 1.3.2 数据科学与食品安全交叉研究的国外现状 |
| 1.3.3 数据科学在公共安全情报领域的应用 |
| 1.4 研究目标与内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 研究思路与技术路线 |
| 1.5.1 拟采取的研究方法 |
| 1.5.2 技术路线 |
| 1.6 本章小结 |
| 第2章 城市食品质量安全知识发现与情报提取相关理论 |
| 2.1 数据挖掘与知识发现 |
| 2.1.1 食品安全数据的获取与预处理 |
| 2.1.2 数据挖掘与知识发现的实现 |
| 2.1.3 关联规则算法与食品安全行政处罚数据处理 |
| 2.1.4 决策树型算法与食品安全理化指标数据处理 |
| 2.1.5 色值分析算法与食品安全数据图像数据处理 |
| 2.2 情报提取与情报分析 |
| 2.2.1 情报分析的典型范式 |
| 2.2.2 以目标为中心的情报分析方法 |
| 2.2.3 结构化的情报分析方法 |
| 2.2.4 大数据时代的情报获取路径 |
| 2.2.5 PMDA-DIKI情报体系模型的重要性与可试点领域 |
| 2.3 本章小结 |
| 第3章 食品安全行政处罚数据的关联规则情报提取 |
| 3.1 研究目标 |
| 3.2 数据收集与数据探索 |
| 3.2.1 武汉食品安全事件数据收集 |
| 3.2.2 武汉食品安全事件的时间特征 |
| 3.2.3 武汉食品安全事件的空间特征 |
| 3.2.4 武汉食品安全事件频繁项集的数量特征 |
| 3.3 数据挖掘与结果分析 |
| 3.3.1 基于着色散点的规则空间可视化 |
| 3.3.2 基于着色矩阵的规则空间可视化 |
| 3.4 规则提炼与可视分析 |
| 3.4.1 冗余关联规则的删除与规则精炼 |
| 3.4.2 食品安全关联规则的可视化分析 |
| 3.5 情报提取与决策建议 |
| 3.5.1 地理信息系统在情报提取领域的应用 |
| 3.5.2 武汉食品安全事件地理空间情报可视化 |
| 3.6 本章小结 |
| 第4章 食品安全理化指标数据的质量预测情报提取 |
| 4.1 研究目标 |
| 4.2 数据收集与数据探索 |
| 4.2.1 猪肉脯质量安全数据收集 |
| 4.2.2 猪肉脯质量安全数据探索 |
| 4.3 数据挖掘与结果分析 |
| 4.3.1 分类回归树算法与猪肉脯质量安全预测 |
| 4.3.2 自适应增强算法与猪肉脯质量安全预测 |
| 4.3.3 部分依赖图分析与理化指标局部最优组合 |
| 4.4 两种算法的预测结果与运行效率对比 |
| 4.4.1 分类回归树算法与自适应增强算法预测结果对比 |
| 4.4.2 分类回归树算法与自适应增强算法运行效率对比 |
| 4.5 情报提取与决策建议 |
| 4.5.1 社交网络分析在情报提取领域的应用 |
| 4.5.2 基于社交网络分析的理化指标隐蔽网络关系发现 |
| 4.6 本章小结 |
| 第5章 食品安全图形图像数据的模式识别情报提取 |
| 5.1 研究目标 |
| 5.2 准备和获取图像 |
| 5.2.1 材料与仪器 |
| 5.2.2 图像获取与图像处理 |
| 5.3 图像识别算法实现与结果分析 |
| 5.3.1 像素色值分析算法 |
| 5.3.2 向量相似度距离聚类分析 |
| 5.3.3 不同质量安全等级柑橘的橘青霉覆盖面积测定 |
| 5.3.4 不同质量安全等级柑橘的像素色值分布特征分析 |
| 5.4 情报提取与决策建议 |
| 5.4.1 神经网络模型在情报提取领域的应用 |
| 5.4.2 基于柑橘果皮成色的柑橘质量安全风险预测 |
| 5.5 本章小结 |
| 第6章 城市食品安全情报系统的现实构建 |
| 6.1 情报系统构建的现实条件与现实需求 |
| 6.1.1 情报系统构建的现实条件 |
| 6.1.2 情报系统构建的现实需求 |
| 6.2 面向需求的组织结构设计 |
| 6.3 面向需求的工作流程设计 |
| 6.4 面向需求的工作环境设计 |
| 6.4.1 硬件配置需求 |
| 6.4.2 办公空间设计 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 本研究开展的社会调研与社会实践 |
| 附录2 本研究出具的结构化情报研判报告 |
| A.城市公共安全结构化情报研判报告 1-基于地理空间情报 |
| B.城市公共安全结构化情报研判报告 2-基于开源情报 |
| C.城市公共安全结构化情报研判报告 3-基于图像情报 |
| 附录3 本研究涉及的主要数据 |
| A.武汉地区食品安全事件行政处罚数据集(2014-2019,英译) |
| B.半结构化猪肉脯质量安全理化指标数据集(英译) |
| C.宜昌蜜橘质量安全图像采集数据 |
| 附录4 本研究涉及的算法的R语言源程序 |
| A.关联规则挖掘的Apriori算法源程序 |
| B.决策树挖掘的CART和Adaboost算法源程序 |
| C.图像识别挖掘的EMD算法源程序 |
| 附录5 攻读硕士学位期间获得的科研成果与奖励 |
| A.已发表的科技论文和投稿中的科技论文 |
| B.学科竞赛及获得奖励 |
| C.发明专利及其他应用成果 |
| 附录6 攻读硕士学位期间主持或参与的科研项目 |
（4）农业数据智能感知与分析关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 农业大数据感知抽取技术 |
| 1.3.2 农业多源数据智能分析技术 |
| 1.3.3 个性化推荐技术 |
| 1.4 论文组织结构 |
| 1.5 创新点 |
| 1.6 论文课题来源 |
| 2 农业数据智能感知技术 |
| 2.1 农业物联网数据高效汇集研究现状及问题 |
| 2.1.1 农业物联网数据关联分析现状 |
| 2.1.2 农业物联网数据汇集技术现状 |
| 2.2 基于数据间关联分析的农业物联网机会路由方法 |
| 2.2.1 农业物联网数据时空关联压缩模型 |
| 2.2.2 网络机会感知模型与候选节点集构建 |
| 2.2.3 机会路由候选节点协调机制 |
| 2.2.4 基于权值的机会路由能耗感知优化 |
| 2.3 农业物联网数据汇集仿真与分析 |
| 2.3.1 机会路由性能指标 |
| 2.3.2 仿真环境与系统参数 |
| 2.3.3 仿真结果与讨论分析 |
| 2.4 互联网信息抽取方法现状 |
| 2.4.1 基于自然语言处理的信息抽取 |
| 2.4.2 基于机器学习的包装器归纳方法 |
| 2.4.3 基于结构分析的抽取方法 |
| 2.4.4 基于本体的信息抽取方法 |
| 2.5 基于多特征的自学习WEB信息抽取技术 |
| 2.5.1 Web页面特征分析 |
| 2.5.2 页面特征融合 |
| 2.5.3 抽取规则定义 |
| 2.5.4 信息抽取方法 |
| 2.5.5 农业互联网信息多特征自学习抽取流程 |
| 2.6 农业互联网信息抽取实验与分析 |
| 2.7 小结 |
| 3 农业多源异构数据智能分析 |
| 3.1 农业多源异构数据特点与典型预处理方法 |
| 3.1.1 农业多源异构数据特点 |
| 3.1.2 农业大数据特征提取 |
| 3.1.3 农业异常数据识别 |
| 3.1.4 数据变换和规约 |
| 3.1.5 多源匹配数据集成 |
| 3.2 农业数据关联分析 |
| 3.2.1 互联网数据关联分析 |
| 3.2.2 物联网数据关联分析 |
| 3.2.3 农业大数据关联分析方法总结 |
| 3.3 农产品价格时空分布与影响因素分析 |
| 3.3.1 猪肉价格分析概况 |
| 3.3.2 猪肉价格时空分布格局 |
| 3.3.3 猪肉价格空间自相关分析 |
| 3.3.4 猪肉价格与影响因素的双变量空间自相关分析 |
| 3.3.5 猪肉价格与影响因素的相关分析结果 |
| 3.4 本章小结 |
| 4 基于物联网视频数据的奶牛行为识别技术 |
| 4.1 奶牛行为识别现状 |
| 4.2 基于物联网视频数据的奶牛行为识别方法 |
| 4.2.1 材料与方法 |
| 4.2.2 奶牛目标对象提取 |
| 4.2.3 奶牛运动量与发情行为关系模型 |
| 4.2.4 奶牛行为视频数据分析 |
| 4.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于用户兴趣模型的个性化农业信息服务技术 |
| 5.1 研究问题与现状 |
| 5.1.1 用户兴趣模型构建 |
| 5.1.2 基于内容的推荐 |
| 5.1.3 协同过滤推荐策略 |
| 5.2 基于用户行为的兴趣模型构建 |
| 5.2.1 用户行为特征分析与数据获取 |
| 5.2.2 用户行为的兴趣度计算 |
| 5.2.3 融合用户行为与情景信息的兴趣模型 |
| 5.3 基于用户兴趣模型的推荐 |
| 5.3.1 用户聚类及距离计算 |
| 5.3.2 计算用户之间的相似度 |
| 5.3.3 产生推荐 |
| 5.3.4 本章推荐算法框架 |
| 5.3.5 本章推荐算法特点 |
| 5.4 实验与结果分析 |
| 5.4.1 实验数据及环境 |
| 5.4.2 实验过程 |
| 5.4.3 实验评价标准 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 主要研究工作总结 |
| 6.2 进一步研究工作 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）融合空间谓词的高空间分辨率遥感图像关联分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 图目录 |
| 表目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 顾及空间谓词的遥感分类 |
| 1.2.2 关联规则挖掘算法 |
| 1.2.3 图像关联规则挖掘 |
| 1.2.4 遥感图像关联规则挖掘 |
| 1.2.5 关联分类研究现状 |
| 1.2.6 目前研究中存在的问题 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 融合空间谓词的关联规则挖掘 |
| 2.1 关联规则的空间划分 |
| 2.2 特征基元非空间谓词的获取 |
| 2.2.1 特征基元属性分段 |
| 2.2.2 信息增益法特征降维 |
| 2.3 特征基元空间谓词的获取 |
| 2.4 空间关联规则挖掘 |
| 2.4.1 生成频繁模式集 |
| 2.4.2 空间关联规则的构建 |
| 2.4.3 空间关联规则剪枝 |
| 2.5 本章小结 |
| 第3章 空间关联分类 |
| 3.1 空间关联规则的推广 |
| 3.2 遥感图像监督分类 |
| 3.2.1 K近邻分类器 |
| 3.2.2 支持向量机分类器 |
| 3.3 空间关联分类与监督分类融合分类 |
| 3.3.1 空间关联分类与K近邻分类器融合分类 |
| 3.3.2 空间关联分类与支持向量机分类器融合分类 |
| 3.4 分类精度评价 |
| 3.5 本章小结 |
| 第4章 实验分析 |
| 4.1 实验数据 |
| 4.2 特征基元空间、非空间谓词的获取 |
| 4.2.1 规则生成区分类结果输出 |
| 4.2.2 生成区合并 |
| 4.3 空间关联规则的挖掘 |
| 4.4 空间关联分类 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于内容的卫星云图挖掘方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 问题提出 |
| 1.3 相关研究工作 |
| 1.3.1 云类智能识别研究现状 |
| 1.3.2 卫星云图与降雨关系研究现状 |
| 1.3.3 数据挖掘技术研究现状 |
| 1.4 论文主要工作及贡献 |
| 1.5 论文的组织结构 |
| 第二章 云图预处理方法研究 |
| 2.1 引言 |
| 2.2 卫星云图相关理论 |
| 2.2.1 卫星云图基本概念 |
| 2.2.2 卫星云图分类 |
| 2.3 云图噪声剔除方法研究 |
| 2.3.1 云图去噪算法设计 |
| 2.3.2 实验结果与分析 |
| 2.4 云图标注对象剔除方法研究 |
| 2.4.1 标注对象定位方法 |
| 2.4.2 整体变分基本原理 |
| 2.4.3 基于整体变分的标注对象剔除方法 |
| 2.4.4 实验结果与分析 |
| 2.5 本章小结 |
| 第三章 云图感兴趣区域提取方法研究 |
| 3.1 引言 |
| 3.2 聚类相关理论 |
| 3.3 FCM算法概述 |
| 3.4 基于FCM聚类算法的改进 |
| 3.4.1 聚类个数自适应确定方法 |
| 3.4.2 相似性测度函数的改进 |
| 3.4.3 半监督思想与聚类过程的结合 |
| 3.5 面向云图的感兴趣区域提取 |
| 3.5.1 加权快速FCM聚类算法设计 |
| 3.5.2 云图感兴趣区域提取 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 第四章 云类智能识别方法研究 |
| 4.1 引言 |
| 4.2 面向云类识别的特征提取 |
| 4.2.1 人工识别云类的依据 |
| 4.2.2 云纹理特征提取方法 |
| 4.2.3 云形态特征提取方法 |
| 4.2.4 云图特征分析与选择 |
| 4.3 基于IPSO—BP网络模型的云类识别 |
| 4.3.1 BP神经网络相关理论 |
| 4.3.2 粒子群优化技术 |
| 4.3.3 IPSO—BP网络的设计与实现 |
| 4.3.4 实验结果与分析 |
| 4.4 基于多特征的组合云类识别模型 |
| 4.4.1 决策融合相关理论 |
| 4.4.2 基于投票系统的多分类器融合方法 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 云图—雨量多维量化关联规则挖掘研究 |
| 5.1 引言 |
| 5.2 关联规则挖掘相关理论 |
| 5.2.1 关联规则基本概念 |
| 5.2.2 Apriori算法理论 |
| 5.3 图像数据关联规则特点 |
| 5.4 基于云图和雨量的混合数据集 |
| 5.4.1 雨量数据的预处理 |
| 5.4.2 卫星云图的参数化处理 |
| 5.4.3 云图和雨量数据的时空同步 |
| 5.4.4 云图—雨量数据多维立方体 |
| 5.5 数量属性分区方法 |
| 5.5.1 关联规则属性分类 |
| 5.5.2 基于聚类的数量属性分区 |
| 5.5.3 实验结果与分析 |
| 5.6 基于数据分割的两阶段关联规则挖掘算法 |
| 5.6.1 常规算法特点与不足 |
| 5.6.2 相关定义及形式化描述 |
| 5.6.3 算法设计与描述 |
| 5.6.4 算法分析 |
| 5.6.5 实验结果与分析 |
| 5.7 本章小结 |
| 第六章 结束语 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 攻读博士期间参与的科研项目 |
（7）基于密度聚类和多特征融合的医学图像识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 医学图像识别 |
| 1.1.1 数字图像处理与医学图像处理 |
| 1.1.2 图像数据挖掘与医学图像数据挖掘 |
| 1.1.3 图像识别 |
| 1.1.4 医学图像识别 |
| 1.2 研究背景与意义 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题 |
| 1.2.3 研究意义 |
| 1.3 研究内容 |
| 1.3.1 研究概要 |
| 1.3.2 重点内容 |
| 1.3.3 研究特色 |
| 1.4 研究方法和技术路线 |
| 1.5 论文的组织 |
| 1.6 本章小结 |
| 第二章 医学图像及其特征表达 |
| 2.1 医学图像数据简介 |
| 2.1.1 医学成像技术 |
| 2.1.2 医学图像数据采集 |
| 2.1.3 DICOM 3.0标准 |
| 2.2 图像的预处理 |
| 2.2.1 图像尺度的归一化 |
| 2.2.2 图像色彩的归一化 |
| 2.2.3 图像数据的标准化 |
| 2.3 医学图像特征及其提取 |
| 2.3.1 医学图像特征 |
| 2.3.2 医学图像特征提取 |
| 2.3.3 医学图像特征选取 |
| 2.3.4 医学图像特征约简 |
| 2.4 本章小结 |
| 第三章 医学图像密度特征研究 |
| 3.1 密度函数 |
| 3.1.1 概述 |
| 3.1.2 非参数密度函数构造 |
| 3.1.3 混合密度函数构造 |
| 3.2 医学图像数据密度函数 |
| 3.2.1 医学图像数据的直方图和Rosenblatt密度函数 |
| 3.2.2 医学图像数据核密度估计函数及其特征表达 |
| 3.2.3 医学图像核密度函数特征 |
| 3.3 医学图像数据的混合密度函数及其特征表达 |
| 3.3.1 医学图像的高斯混合模型 |
| 3.3.2 高斯混合模型的参数估计 |
| 3.3.3 高斯混合模型中的参数K |
| 3.3.4 确定参数k的实验 |
| 3.3.5 医学图像混合密度函数特征 |
| 3.5 本章小结 |
| 第四章 基于密度聚类的医学图像识别研究 |
| 4.1 聚类分析 |
| 4.1.1 聚类分析的定义 |
| 4.1.2 相似性度量 |
| 4.1.3 聚类算法 |
| 4.1.4 密度模型与聚类算法 |
| 4.2 基于核密度模型的医学图像聚类 |
| 4.2.1 密度函数的构造 |
| 4.2.2 基于核密度函数的数据聚类 |
| 4.2.3 基于核密度模型的医学图像爬山聚类算法 |
| 4.3 基于混合密度模型的医学图像聚类 |
| 4.3.1 混合密度函数的构建 |
| 4.3.2 混合密度与聚类算法 |
| 4.3.4 基于高斯混合模型的医学图像数据加权聚类算法 |
| 4.4 本章小结 |
| 第五章 基于多特征融合的医学图像识别研究 |
| 5.1 图像多特征数据融合 |
| 5.2 特征级数据融合 |
| 5.2.1 图像特征标准化 |
| 5.2.2 基于主元分析的特征级数据融合 |
| 5.3 决策级数据融合 |
| 5.3.1 图像的神经网络识别 |
| 5.3.2 基于多数投票法的决策级数据融合 |
| 5.4 基于多特征融合的医学图像识别 |
| 5.4.1 实验数据 |
| 5.4.2 特征级数据融合 |
| 5.4.3 决策级数据融合 |
| 5.4.4 实验研究结论 |
| 5.5 本章小节 |
| 第六章 基于融合特征关联的医学图像识别研究 |
| 6.1 关联规则 |
| 6.1.1 Apriori算法 |
| 6.1.2 基于FP-tree的关联规则挖掘算法FP-growth |
| 6.2 全局频繁闭项目集挖掘及其更新算法 |
| 6.2.1 全局频繁闭项目集挖掘 |
| 6.2.2 全局频繁闭项目集挖掘算法 |
| 6.2.3 全局频繁闭项目集更新算法 |
| 6.3 关联分类规则 |
| 6.3.1 基本概念 |
| 6.3.2 关联分类规则集的生成 |
| 6.3.3 关联分类规则集的应用 |
| 6.4 基于特征融合的医学图像关联识别 |
| 6.4.1 数据清洗及特征提取 |
| 6.4.2 特征融合 |
| 6.4.3 实验结果 |
| 6.5 本章小结 |
| 第七章 结语 |
| 7.1 本文总结 |
| 7.2 进一步的研究工作 |
| 7.3 本章小结 |
| 致谢 |
| 参考文献 |
| 附录Ⅰ 读博期间发表、录用的论文目录 |
| 附录Ⅱ 读博期间主持和参加的科研项目 |
（8）关联分类算法研究及其在医学图像数据挖掘中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 表格索引 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 数据挖掘技术的理论与发展 |
| 1.2.1 数据挖掘的目标和主要研究内容 |
| 1.2.2 数据挖掘的理论与技术 |
| 1.2.3 数据挖掘的应用领域与发展前景 |
| 1.3 与本课题有关的国内外研究进展 |
| 1.3.1 关联分类技术的发展 |
| 1.3.2 关联分类存在的问题 |
| 1.4 本文的主要研究工作 |
| 1.5 本文的组织 |
| 第二章 有关的术语及形式化描述 |
| 2.1 关联规则与关联分类规则描述 |
| 2.1.1 基本概念 |
| 2.2 分类问题描述 |
| 2.2.1 分类挖掘的概念 |
| 2.2.2 分类的步骤 |
| 2.2.3 分类规则质量评价函数 |
| 2.2.4 分类模型的评价方法 |
| 2.3 粗糙集理论 |
| 2.4 搜索全部的关联规则是NP难问题 |
| 2.5 小结 |
| 第三章 关联分类挖掘算法 |
| 3.1 关联分类挖掘算法的描述 |
| 3.2 基于关联的分类算法CBA |
| 3.2.1 算法CBA-RG(Classification Based on Association-Rule Generator) |
| 3.2.2 算法CBA-CB(Classification Based on Assoeiation-Classifier Building) |
| 3.3 基于多维类关联规则的精确、有效分类算法CMAR |
| 3.3.1 生成分类关联规则集 |
| 3.3.2 规则存储 |
| 3.3.3 规则剪枝 |
| 3.4 关联分类的研究重点 |
| 3.5 本章小结 |
| 第四章 基于属性重要性的关联分类挖掘算法 |
| 4.1 CBA算法分析 |
| 4.2 基于属性重要性的关联分类算法 |
| 4.2.1 挖掘类别关联规则 |
| 4.2.2 分类器的构造 |
| 4.2.3 示例说明和算法分析 |
| 4.3 结束语 |
| 第五章 关联分类在医学图像数据挖掘中的应用 |
| 5.1 医学图像数据挖掘 |
| 5.2 现有的医学图像分类算法 |
| 5.3 改进的医学图像关联分类算法 |
| 5.3.1 数据清洗及特征提取 |
| 5.3.2 改进算法的基本原理 |
| 5.3.3 改进算法的基本过程和实现 |
| 5.4 实验与分析 |
| 5.5 结束语 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读硕士学位期间发表的学术论文 |
（9）基于关联规则的图像挖掘技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文的研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容和章节安排 |
| 第二章 图像挖掘的体系和技术 |
| 2.1 图像挖掘 |
| 2.2 图像挖掘的总体思路 |
| 2.2.1 功能驱动型图像挖掘 |
| 2.2.2 信息驱动型图像挖掘 |
| 2.2.3 概念驱动型图像数据挖掘 |
| 2.3 图像挖掘系统的模型结构 |
| 2.3.1 图像挖掘前的预处理 |
| 2.3.2 构造数据立方 |
| 2.3.3 特征提取 |
| 2.4 图像挖掘的技术和方法 |
| 2.5 小节 |
| 第三章 基于关联规则的图像挖掘理论研究 |
| 3.1 关联规则 |
| 3.2 关联规则的分类 |
| 3.3 关联规则挖掘的一般步骤 |
| 3.4 Apriori 算法 |
| 3.4.1 算法概述 |
| 3.4.2 算法应用实例 |
| 3.4.3 算法的优缺点分析 |
| 3.5 图像关联规则挖掘 |
| 3.5.1 图像关联规则挖掘特点 |
| 3.5.2 图像关联规则挖掘思路 |
| 3.6 小结 |
| 第四章 图像挖掘系统的设计 |
| 4.1 实验系统的设计框架 |
| 4.1.1 系统开发平台 |
| 4.1.2 实验系统框架 |
| 4.2 系统原型功能及人机界面设计 |
| 4.3 数据的预处理 |
| 4.4 算法设计及规则解释 |
| 4.5 实验结果分析 |
| 4.6 小结 |
| 第五章 图像知识的获取和管理 |
| 5.1 引言 |
| 5.2 图像知识的存储方法 |
| 5.2.1 知识库的建立 |
| 5.2.2 知识库与数据库 |
| 5.2.3 图像知识的表达和存储 |
| 5.3 小结 |
| 第六章 结束语 |
| 6.1 本文的主要工作 |
| 6.2 后继工作及展望 |
| 致谢 |
| 参考文献 |
| 读研期间研究成果 |
（10）基于纹理的遥感图像分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 遥感图像分类 |
| 1.2.1 遥感图像监督分类 |
| 1.2.2 遥感图像非监督分类 |
| 1.3 图像分类方法研究 |
| 1.3.1 图像分割方法 |
| 1.3.2 区域生长算法 |
| 1.3.3 模糊数学方法 |
| 1.3.4 神经网络方法 |
| 1.3.5 数据挖掘方法 |
| 1.4 图像纹理方法研究 |
| 1.4.1 图像纹理研究现状 |
| 1.4.2 基于统计的灰度共生矩阵法 |
| 1.4.3 遥感图像的纹理研究 |
| 1.5 目前存在的问题及发展趋势 |
| 1.6 论文的目标内容 |
| 1.7 课题来源 |
| 第2章 图像纹理关联规则数据挖掘 |
| 2.1 图像数据挖掘介绍 |
| 2.2 关联规则数据挖掘 |
| 2.2.1 关联规则定义 |
| 2.2.2 关联规则挖掘算法 |
| 2.3 图像纹理关联规则挖掘 |
| 2.3.1 图像关联规则定义 |
| 2.3.2 图像数据挖掘预处理 |
| 2.3.3 图像纹理关联规则挖掘 |
| 2.3.4 关联规则对图像纹理的表达实验及评价 |
| 2.3.5 高维联合关联规则挖掘 |
| 2.4 本章小结 |
| 第3章 基于纹理联合关联规则的图像分类 |
| 3.1 遥感图像监督分类 |
| 3.1.1 最大似然法 |
| 3.1.2 最小距离法 |
| 3.1.3 基于最小错误概率的Bayes分类器 |
| 3.1.4 概率松弛算法 |
| 3.2 基于关联规则的分类 |
| 3.3 基于纹理联合关联规则的遥感图像监督分类 |
| 3.3.1 样本纹理联合关联规则建立 |
| 3.3.2 模糊分类器设计 |
| 3.3.3 基于窗口的纹理联合关联规则图像分类 |
| 3.4 实验及评价 |
| 3.4.1 分类混淆矩阵分析 |
| 3.4.2 算法复杂度分析 |
| 3.5 本章小结 |
| 第4章 遥感图像纹理特征模糊表达 |
| 4.1 云模型与云模糊理论 |
| 4.1.1 模糊集理论 |
| 4.1.2 云模糊理论 |
| 4.2 纹理统计描述方法 |
| 4.3 纹理描述符纹理表达及相关分析 |
| 4.3.1 纹理描述符分析 |
| 4.3.2 纹理描述符相关性分析 |
| 4.4 纹理特征矢量云的构建 |
| 4.4.1 矢量云滴获取 |
| 4.4.2 纹理特征矢量云生成 |
| 4.5 基于纹理特征矢量云的模糊纹理表达实验及评价 |
| 4.6 本章小结 |
| 第5章 基于纹理特征矢量云的非监督分类 |
| 5.1 遥感图像非监督分类 |
| 5.1.1 遥感图像非监督分类方法 |
| 5.1.2 基于图像纹理特征的非监督分类 |
| 5.2 基于纹理特征矢量云的非监督分类 |
| 5.2.1 纹理特征矢量云距离计算 |
| 5.2.2 基于纹理特征矢量云c-均值聚类 |
| 5.2.3 基于纹理特征矢量云模糊 ISODATA聚类 |
| 5.3 实验及评价 |
| 5.3.1 Brodatz纹理云聚类分析评价 |
| 5.3.2 遥感图像云聚类实验分析 |
| 5.4 本章小结 |
| 第6章 遥感图像分类区域模糊表达 |
| 6.1 遥感图像中模糊区域的表达研究 |
| 6.2 遥感图像分类区域云表达 |
| 6.2.1 云核的生成 |
| 6.2.2 对象云滴数字特征获取 |
| 6.2.3 对象云模型数字特征的获取 |
| 6.2.4 图像分类区域云表达 |
| 6.3 区域对象云关系运算 |
| 6.4 区域对象云相似性分析及实验评价 |
| 6.4.1 单对象云的相似性度量 |
| 6.4.2 对象云族相似性度量 |
| 6.5 本章小结 |
| 结论 |
| 1 本文的主要贡献 |
| 2有待改进的问题 |
| 3 未来研究方向 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及科研成果 |
四、一种基于图像的关联规则发现算法的研究（论文参考文献）
- [1]社交网络跨媒体大数据演进挖掘、搜索与可视化研究[D]. 程鹏超. 北京邮电大学, 2020(05)
- [2]流程对象在线实时知识发现系统的设计与实现[D]. 李国昌. 济南大学, 2020(04)
- [3]基于数据挖掘的城市食品质量安全知识发现与情报提取[D]. 邵航. 武汉理工大学, 2020(08)
- [4]农业数据智能感知与分析关键技术研究[D]. 顾静秋. 北京交通大学, 2018(01)
- [5]融合空间谓词的高空间分辨率遥感图像关联分类方法研究[D]. 孙新. 南京师范大学, 2013(02)
- [6]基于内容的卫星云图挖掘方法研究[D]. 来旭. 国防科学技术大学, 2010(05)
- [7]基于密度聚类和多特征融合的医学图像识别研究[D]. 陈健美. 江苏大学, 2008(09)
- [8]关联分类算法研究及其在医学图像数据挖掘中的应用[D]. 胡文瑾. 兰州理工大学, 2008(10)
- [9]基于关联规则的图像挖掘技术研究[D]. 田广昊. 西安电子科技大学, 2008(07)
- [10]基于纹理的遥感图像分类研究[D]. 王佐成. 西南交通大学, 2007(04)