导读:本文包含了频繁序列模式论文开题报告文献综述及选题提纲参考文献，主要关键词:数据挖掘,关联规则挖掘,周期模式,时间序列数
频繁序列模式论文文献综述
李之天[1]（2018）在《基于多个时间序列的周期频繁模式挖掘研究》一文中研究指出数据挖掘已经成为一项利用这些数据的重要的科技手段,对这个技术领域的科学研究也正在以越来越快的速度蓬勃发展。关联规则挖掘又称频繁项集挖掘,是数据挖掘科研领域的一个热门研究方向,它的主要目的是找到所有的项的集合,并且这些集合满足在数据库中出现的次数不小于一个最小支持度阈值的条件。关联规则挖掘在现实生活中具有很多应用场景,例如图的分类,恶意软件检测,顾客消费行为分析,社区关系查找等等。很多研究工作都致力于高效地找出所有的频繁项集,从大量的数据当中发掘出有用的信息。可是,传统的频繁项集挖掘算法忽视了数据库中不同事务或者事件之间的前后时间顺序的重要性,无法提供和事件发生的先后顺序有关的有用信息。在生物信息科技,在线学习,文本数据分析和智能家居中的节能等诸多领域,都需要将事件发生的前后顺序和传统的数据挖掘结合起来,以提供更多具有实际应用意义的模式。最近几年,很多学者提出的新的算法,都将事件的时间顺序考虑了进去,并且成功在实际中加以应用。其中非常重要的一个分支就是序列模式挖掘,将频繁项集挖掘和时间序列相结合,找到那些频繁出现的子序列。然而,序列模式挖掘算法无法挖掘出那些周期性出现的模式,而周期模式却在分析顾客消费行为,基因序列分析,网站功能区设计等众多领域具有很大的作用。例如牛奶面包这个消耗品组合在网上超市当中的购买量一般都很大,而对于单个顾客来说,他可能每隔一段时间就需要网上购买一些牛奶面包。分析顾客的这种周期性发生的行为有助于更精准的为他们提供推荐服务,促进消费。又比如,在基因序列的分析当中,DNA分子的不同排列顺序携带了完全不同的基因信息。而如果一些DNA分子组合序列在整个基因序列当中周期性地出现的话,这些组合序列也会呈现出不同的表达形式,从而为人类基因分析工作提供一些新的可能和研究方向。因此,近几年来,周期模式挖掘渐渐成为关联规则挖掘当中的一个热门研究方向,针对周期模式挖掘已经有很多学者做了充分的研究。但是,先前的周期模式挖掘算法都是针对单个时间序列进行挖掘,而现实中遇到的数据大多都为多个序列组成的序列数据库。据我们所知,在我们之前,仅有一篇发表于2017年的论文曾做过多序列的周期模式挖掘的研究工作。这篇论文提出了一种新的被表示为PHUPSM的算法,用来挖掘多个序列中的周期性高效用项集。然而,这个算法仅仅将多个序列当做一个序列来进行处理,而忽视了单个序列之内的模式的周期性,导致挖掘出的模式不具有太大的实际意义。所以,之前所提出的算法都不适合用于很多序列组成的数据库的周期模式挖掘。为解决这个问题,本课题致力于基于多个时间序列的周期频繁模式挖掘算法的研究。这篇论文定义了两个新的衡量方法,分别称为周期标准差和序列周期率。周期标准差是用来挖掘单个时间序列中的周期模式。之前的研究中采用的最大周期数的衡量方法条件太过苛刻。当最大周期数被设定为一个较大的数值时,挖掘出的模式很多都是无用的信息;而这个阈值被设定为一个较小的数值时,又会丢失大量周期时间长的周期模式。所以,合适的最大周期数的阈值总是难以确定。而本论文提出的周期标准差方法很好的解决了这个问题,使得最大周期数可以被设置为一个较大的值,而通过周期标准差来过滤那些非周期模式。并且,通过这个方法挖掘出来的模式的周期差别也可以被控制在一个很小的范围之内。序列周期率则代表数据库中的模式在序列中具有周期性的序列个数的最小阈值,用来确保挖掘出的模式在多个序列中都具有周期性行为。通过这两种衡量方法,数据库中同时在多个序列中都具备周期性行为的所有模式就都能被挖掘出来。为了更加高效地挖掘出这些周期模式,本课题项目提出了两种算法,分别表示为MPFPS_(BFS)和MPFPS_(DFS)。这两种算法分别采用了广度优先搜索和深度优先搜索的空间搜索方式。广度优先搜索列举出所有的项集集合,之后再判断这些项集是否具有频繁性和周期性。例如,对于一个包含了a,b和c这叁个不同的项的数据库来说,广度优先搜索策略首先判断这叁个项是否满足频繁性和周期性地要求,之后再进行两两组合得到包含了两个项的项集{a,b},{a,c}和{b,c}。然后,再对这叁个项集进行判断,再之后产生包含了叁个项的项集{a,b,c}……广度优先搜索则采用了另外一种搜索策略。首先判断a是否满足条件。然后,产生a的所有包含了两个项的父集{a,b}和{a,c},再判断频繁性和周期性。最后产生a的所有包含了叁个项的父集{a,b,c},再进行判断。对于b和c采取同样的操作。这样就保证所有的项集集合都被检查了一遍,没有遗漏。然而,无论是广度优先搜索还是深度优先搜索,挖掘周期频繁模式的搜索空间都极大。对于含有n个不同项的数据库来说,这些项组合形成的项集个数则为2~n-1.如果对这个指数级大小的搜索空间直接进行挖掘,算法的效率将会十分的低下。另一方面,新提出的序列周期率方法并不满足单调性或是反单调性,也就无法直接用来对搜索空间进行剪枝。为了解决搜索空间过大的问题,本论文提出了一种被表示为boundRa的新参数和两个基于boundRa的剪枝策略。boundRa实际上是序列周期率的一个上界,满足向下闭包的特性。提出的两个剪枝策略都是基于这个特性。第一个策略的理论基础是,假设最小序列周期率的值为minRa,对于一个项集X’,如果boundRa(X’)<minRa,那么项集X’以及它的所有超集X?X’都不会是周期模式。第二个策略是,如果项集X’存在子集X’’?X’的boundRa值小于minRa,那么X’就不可能是一个周期频繁模式,X’的所有超集也不是周期频繁模式。新提出的两种算法MPFPS_(BFS)和MPFPS_(DFS)都具有四个参数,分别是minSup,maxStd,minRa和maxPr。实验结果表明这四个参数都有助于过滤那些不满足频繁性和周期性的项集。所以,这两个算法可以用来找出所有的周期频繁模式,并且挖掘出的模式数量也可以被控制在一定的范围之内。另外,结果表明这些参数也可以被用来减少降低算法运行的时间和占用的空间。如何来设置这些参数则需要根据不同数据库来具体问题具体分析。因为不同的数据库中的模式的周期长度都不尽相同,周期变化的幅度大小也各不一样。从结果中可以发现,参数minSup对算法的结果输出以及性能的影响很小,故而本论文建议将minSup设置为一个较小的值,只在性能受到很大影响时才改为一个较大的值。同时,鉴于maxPr这个参数本身条件太过严苛,本论文建议将其设置为一个相对来讲非常大的数值,以过滤掉那些周期太大的周期模式。因此,综合来看,maxStd和minRa这两个新提出的参数在整个周期频繁模式挖掘的过程当中具有更加重要的作用。前者允许指定周期频繁模式随时间变化的周期的最大范围值,对于一个模式来说,只要它的周期的标准差在这个范围之内,那么它的周期性就呈现出了一个非常固定的趋势。后者指定了一个模式呈现出周期性的序列在整个序列数据库中的最小比例值。此参数将可被用来找到在多个序列中呈现出周期性的所有模式。综上所述,本论文在这几年研究成果比较多的周期模式挖掘方面,提出了一个新的问题,即在多个序列当中挖掘出所有的呈现出周期性的频繁模式。针对这个问题提出了两个新的衡量方法,分别是周期标准差和序列周期率。因为序列周期率这个方法不满足向下闭包的特性,故而设计出一个新的参数boundRa。在这个参数的基础上提出了两个剪枝策略,对周期模式挖掘中的庞大的搜索空间进行剪枝,以提升算法效率。最后设计了两个算法MPFPS_(BFS)和MPFPS_(DFS),实验结果表明这两个算法具有很好的时间效率和空间效率。另外,由于MPFPS_(DFS)采用的是深度优先的搜索策略,因而通过剪枝所带来的性能的提升相较MPFPS_(BFS)来说更加巨大,所以性能和可扩展性都更好。在参数设置的值比较严格时,将会产生百倍以上的性能差距。(本文来源于《哈尔滨工业大学》期刊2018-12-01）
陈倩,刘云,高钰莹[2]（2018）在《并行动态位向量频繁闭合序列模式挖掘算法》一文中研究指出针对在时间和空间上都具有高计算成本的长序列数据库,一个更有效和更紧凑且可以完全提取信息的挖掘模式是当前的研究热点。提出一种并行动态位向量频繁闭合序列模式的挖掘算法(PDBVFCSP),该算法采用多核处理器架构和DBV数据结构相结合的方式,有效加快了序列数据库的处理速度,并对搜索空间进行划分,尽早执行预处理序列的闭合检查,减少了所需的存储空间和挖掘频繁闭合序列模式的执行时间,克服了现有并行挖掘算法通信开销、同步和数据复制等问题。利用重新分配工作的动态负载平衡机制,解决处理器之间的负载均衡问题,最大限度地减少了CPU空闲时间。对DBV-VDF算法和PDBV-FCSP(2-4核)算法进行仿真比较,结果表明,PDBV-FCSP算法在运行时间、内存使用和可伸缩性等方面都有较优的性能提升,且当内核数增加时,性能更优。(本文来源于《计算机工程与科学》期刊2018年10期）
李勇男[3]（2018）在《基于频繁序列模式挖掘的反恐情报关联分析》一文中研究指出[目的/意义]时间序列模式挖掘可以识别不同暴恐案件中各种因素的时间序列关系,为反恐预警提供参考。[方法/过程]首先设定最小支持度阈值参数和最小反恐情报序列长度参数,对样本集进行常规数据预处理和合并同类项,统计频繁1-序列,然后不断迭代生成候选i-序列和筛选频繁i-序列的过程,直到达到终止条件为止,最后选取满足最小长度阈值的反恐情报序列。[结果/结论]该方法通过总结各种暴恐活动中较为频繁的时序关系,可以在反恐预警系统中设定触发警报的条件,预测部分恐怖袭击并提前处置。[局限]该方法只能发现这类有时序关系的信息,在实际反恐情报分析中,需要与其他方法整合才能覆盖更多的情报。(本文来源于《情报理论与实践》期刊2018年10期）
李海林,邬先利[4]（2018）在《基于频繁模式发现的时间序列异常检测方法》一文中研究指出针对传统异常片段检测方法在处理增量式时间序列时效率低的问题,提出一种基于频繁模式发现的时间序列异常检测(TSAD)方法。首先,将历史输入的时间序列数据进行符号转化;其次,利用符号化特征找出历史序列数据集中的频繁模式;最后,结合最长公共子序列匹配方法度量频繁模式与当前新增加时间序列数据之间的相似度,从而发现新增加数据中的异常模式。与基于滑动窗口预测的水文时间序列异常检测方法(TSOD)和基于扩展符号聚集近似的水文时间序列异常挖掘方法(ESAA)相比,对于实验选择的叁种类型的时间序列数据,TSAD的检测率都超过90%;TSOD对规则性较强的序列检测率较高,能达到99%,但对噪声干扰较大的序列检测率较低,对数据偏向性较强;ESAA对叁种类型的数据检测率均不超过70%。实验结果表明,TSAD在时间序列异常检测中能够较好地发现异常片段。(本文来源于《计算机应用》期刊2018年11期）
张皓[5]（2018）在《海量数据下基于层级树的频繁序列模式挖掘》一文中研究指出频繁序列模式的挖掘长久以来就被广泛地应用到各种实际场景中为商家或企业提供各种生产销售方面的决策支持。而随着科学技术的发展,数据获取和存储能力的不断加强,各种实际场景中需要进行频繁序列模式挖掘的数据也经历了爆炸式的增长并最终达到了海量。海量的数据能得到更多频繁序列信息,但传统频繁序列挖掘算法在对海量数据进行挖掘时,其效率已经远远不能满足实际场景中的效率需求。不仅如此,实际场景中的数据集中的各元素通常并不是扁平化的,其自身通常拥有若干的类别信息,所有元素的类别信息能够组合为层级树。传统的频繁序列挖掘算法只能针对数据集中存在的元素挖掘出只包含这些元素的频繁序列模式。借助层级树来进行频繁序列的挖掘,我们能够得到传统算法不能挖掘到的更具一般性的频繁序列。已有的基于层级树在海量数据下进行频繁序列挖掘的算法还有很大的挖掘效率提升空间。同时,在基于层级树进行频繁序列挖掘时,其挖掘结果存在冗余的问题,已有部分研究提到该问题,但它们都没有对冗余结果做精确的定义,也并没有给出解决方法。此外,在挖掘频繁序列模式的时候,特别是在基于层级树对海量数据进行挖掘时,其挖掘到的结果序列会极其多,而用户感兴趣的可能只是其中的一部分符合特定模式的序列。因此我们需要在挖掘时对结果序列给出若干形式的约束,如最大间隔约束、最大序列长度约束、正则表达式约束等。正则表达式约束能够使算法只挖掘出涉及特定内容的结果序列。但目前还没有将正则表达式约束结合到海量数据下基于层级树的分布式频繁序列挖掘算法中的研究。本文提出了框架RUMMAGE来解决上述问题。RUMMAGE分为预处理、Map、Reduce、Cleanup四个阶段。本文在Map阶段基于LASH的投影算法提出更高效的投影算法PUT;在Reduce阶段,首先基于PSM算法提出不含冗余操作的算法MINE,接着定义了适用于层级树的正则表达式RE-Hierarchy,并提出算法REC-MINE以接受正则表达式约束在海量数据下基于层级树进行频繁序列挖掘;最后,在Cleanup阶段提出了算法REI以高效解决挖掘结果冗余的问题,极大地减少了结果序列的数量。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
李维娜,任家东[6]（2018）在《软件群体中基于交互序列的频繁模式挖掘算法研究》一文中研究指出互联网模式下,软件之间的交互日益频繁,具有交互特征的软件逐渐形成群体,其个体行为不断地影响着群体的特性.频繁模式挖掘是发现关联规则的一种重要技术,软件交互行为频繁模式对软件的安全性稳定性分析起着至关重要的作用.因此,从软件群体交互的角度提出了一种频繁模式挖掘算法SG-FIP.首先,定义了软件群体,构建基于时间段滑动的交互序列挖掘模型;其次,定义了一种基于时间段及交互次数的序列权重,提升了交互模式的兴趣度.第叁,定义了约束系数,在预定义的滑动时间段内挖掘得到针对性更强、实时性更高的交互模式.最后,实验结果验证了交互模型的可行性,SG-FIP算法的时间消耗在一定程度上优于先前算法,并且精简了先前算法的挖掘结果,提高了挖掘精度,高效地挖掘出了软件群体中的频繁模式.(本文来源于《小型微型计算机系统》期刊2018年05期）
李长镜[7]（2018）在《基于极大频繁序列模式的文本分类方法》一文中研究指出伴随大数据时代的降临,文本数据迅速扩张。面对由此衍生的文本信息,人们需要花费大量时间和精力处理。为了更好地应对这些信息,需要采取文本分类的措施,包括文本预处理、文本特征选择/提取和文本分类等过程。经典的文本预处理方法直接处理数据,在很大程度上限制了算法的性能。一般而言,文本预处理将词语作为基本单位,缺乏考虑词语之间的关联性。从传统意义上讲,文本特征选择和文本特征提取分开单独进行,无法统筹原始特征和新特征。大多数文本分类方法遵循“基于词语”、“基于主题”和“基于情感”等规则,将文档分成正负两类,忽略了分类边界的模糊性。利用齐普夫定律和布茨定律,探寻词语分布规律,挑选合适词频的词语,给出基于词语分布规律的词频统计方法,改进文本预处理方法的性能;参考频繁项集理论,选择模式作为基本单位,得到基于极大频繁序列的模式挖掘方法,既可以很好地消除无用信息,又可以得到比单条数据携带更多信息的频繁模式,提高文本预处理方法中词语之间的关联性;依照混合特征思想,结合特征选择和特征提取,提出基于极大频繁序列模式的特征选择方法,产生混合特征,达到兼顾原始特征和新特征的目的;根据形心解方法和叁支决策模型,获得基于极大频繁序列模式的文本分类方法,判断主区域文档和边界区域文档的类别,解决分类边界模糊的问题,细化分类过程,实现更加全面的文本分类方法。论文主要研究基于极大频繁序列模式的文本分类方法,提出基于词语分布规律的词频统计方法(Term Statistical Method based on Law of Term Distribution,简称TSMLTD)、基于极大频繁序列的模式挖掘方法(Pattern Mining Method based on Maximum Frequent Sequence,简称PMMMFS)、基于极大频繁序列模式的特征选择方法(Feature Selection Method based on Maximum Frequent Sequential Pattern,简称FSMMFSP)和基于极大频繁序列模式的文本分类方法(Text Classification Method based on Maximum Frequent Sequential Pattern,简称TCMMFSP)。论文方法利用极大频繁序列模式,选择半特征和R特征,根据形心解和叁支决策进行文本分类,解决基于频繁模式的文本分类方法中词频统计、模式挖掘、特征选择和文本分类的问题。论文方法使用应用容器引擎Docker搭配深度学习框架PaddlePaddle的实验环境,选取实验数据集20Newsgroups、Reuters-21578和RCV1,添加多种对比方法,将准确率(Accuracy)、精确率(Precision)、召回率(Recall)和度量值(_1)作为评价标准,实验结果证明论文方法的评价标准指数优于一般方法。论文内容介绍:(1)基于词语分布规律的词频统计方法,发现词语分布规律,挑选合适词频的词语,清洗数据。(2)基于极大频繁序列的模式挖掘方法,使用频繁项集的挖掘算法,得到频繁序列模式,按照极大频繁项集的要求,筛选极大频繁序列模式。(3)基于极大频繁序列模式的特征选择方法,结合特征选择和特征提取,给出半特征和R特征等定义,生成基于极大频繁序列模式的混合特征。(4)基于极大频繁序列模式的文本分类方法,依照形心解方法得到所有文档的形心/质心,计算单个文档到形心/质心的距离,比较单个文档与形心/质心的距离,判断主区域文档的类别,按照叁支决策模型,考虑分类边界的模糊性,判断边界区域文档的类别,实现文本分类。(本文来源于《河北师范大学》期刊2018-03-15）
陈鑫,薛云,卢昕,李万理,赵洪雅[8]（2018）在《基于保序子矩阵和频繁序列模式挖掘的文本情感特征提取方法》一文中研究指出特征提取是进行文本情感分析的关键步骤之一,是影响其结果好坏的主要因素。针对网络评论语句中表达形式多变的特点,结合语义相似度计算得到近义词TF-IDF(term frequency—inverse document frequency)权重向量;根据评论语句长短不一的特点,基于OPSM(order-preserving submatrix)双聚类算法挖掘出权重向量中的局部模式;使用改进的Prefix Span算法挖掘分类频繁短语特征,这类特征能有效利用词语的顺序信息,同时也通过词语间隔等限制来提升频繁短语区分情感倾向的能力。最后将该方法用于处理商品评论语料,并进行情感分析任务实验,结果表明所提取的文本特征效果有较大的提升。(本文来源于《山东大学学报(理学版)》期刊2018年03期）
孙启亮,牟超,孟瑶[9]（2017）在《基于频繁序列挖掘的男女生上网模式差异研究》一文中研究指出以网络日志作为研究数据,采用频繁序列挖掘和K-means聚类算法挖掘不同性别学生上网模式的区别。通过对比男女生在高、中、低叁个不同频段的网络访问模式发现:在最常访问的网站类型上男女生并没有明显区别。男生更多地将网络用于娱乐和社交目的,而女生更多地把网络当做获取信息的工具。此外男生访问的网站类型比女生更丰富。同时,提出一种将序列转换成向量的方法 Bit Occurrence。(本文来源于《现代计算机(专业版)》期刊2017年17期）
袁二毛[10]（2017）在《生物序列近似频繁模式挖掘研究》一文中研究指出随着生物信息学的快速发展,人类基因、蛋白质测序的实施和完成,积累了大量的生物数据。从生物数据中挖掘频繁模式有助于发现生物序列中潜在的信息、生物基因和蛋白质同源性的检测等。生物序列中频繁模式的挖掘已经成为生物信息领域研究的重要任务。本文深入研究了生物序列中带可变长度间隔约束的近似频繁模式挖掘问题,序列之间相似性的度量使用了编辑距离和生物字符间的评分。此外,本文定义了插入、替换和删除字符叁种近似操作,克服了已有的近似频繁模式挖掘算法仅仅包含替换字符一种近似操作的不足。本文的主要工作如下:(1)给出了包含插入、替换和删除字符的叁种近似操作的定义,及近似模式匹配与挖掘的相关定义。为了使用模式的出现频率判断该模式是否是频繁模式,本文给出了近似模式匹配中补偿序列数(N_(l,editmax))的推导。由于带可变长度的近似频繁模式挖掘具有较大的候选解空间,本文设计了Apriori-like剪枝策略用于降低候选解空间的维度。(2)本文基于编辑距离度量序列间的相似性,设计了编辑距离矩阵(A-EDM)和其构造函数,编辑距离矩阵记录了模式子字符串与序列子字符串之间的最小编辑距离(误差)。在A-EDM的基础上,本文设计了候选模式解集合的矩阵结构(MST)和近似模式匹配算法(APM)计算模式在序列中的近似出现次数和出现位置。然后本文给出了近似频繁模式挖掘算法(MAPA),当编辑距离阈值edit_(max)=0时,MAPA算法转变为精确频繁模式挖掘算法。(3)为了对生物序列频繁模式的挖掘更具有针对性,本文在编辑距离约束的基础上结合了生物字符的评分矩阵,设计了模式与序列之间的匹配得分矩阵(MSM),MSM中记录了模式子字符串与序列子字符串之间的最大匹配得分。基于MSM,本文设计了针对生物序列的近似模式匹配方法(S-APM),S-APM采用回溯MSM的方式计算模式在序列中的近似出现次数。随后本文给出了针对生物序列的近似频繁模式挖掘算法(MAPS)和多序列共同频繁模式挖掘算法(co-fp-miner)。co-fp-miner算法中对Apriori-like剪枝规则进行了改进,设计了Pruning剪枝策略,Pruning剪枝策略具有较好的剪枝效果。实验验证本文提出的算法较经典的精确频繁模式挖掘算法MPP和近似频繁模式挖掘算法ArpGap具有较好的性能和解的优势。(本文来源于《合肥工业大学》期刊2017-04-01）
频繁序列模式论文开题报告
（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：
针对在时间和空间上都具有高计算成本的长序列数据库,一个更有效和更紧凑且可以完全提取信息的挖掘模式是当前的研究热点。提出一种并行动态位向量频繁闭合序列模式的挖掘算法(PDBVFCSP),该算法采用多核处理器架构和DBV数据结构相结合的方式,有效加快了序列数据库的处理速度,并对搜索空间进行划分,尽早执行预处理序列的闭合检查,减少了所需的存储空间和挖掘频繁闭合序列模式的执行时间,克服了现有并行挖掘算法通信开销、同步和数据复制等问题。利用重新分配工作的动态负载平衡机制,解决处理器之间的负载均衡问题,最大限度地减少了CPU空闲时间。对DBV-VDF算法和PDBV-FCSP(2-4核)算法进行仿真比较,结果表明,PDBV-FCSP算法在运行时间、内存使用和可伸缩性等方面都有较优的性能提升,且当内核数增加时,性能更优。
（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。
频繁序列模式论文参考文献
[1].李之天.基于多个时间序列的周期频繁模式挖掘研究[D].哈尔滨工业大学.2018
[2].陈倩,刘云,高钰莹.并行动态位向量频繁闭合序列模式挖掘算法[J].计算机工程与科学.2018
[3].李勇男.基于频繁序列模式挖掘的反恐情报关联分析[J].情报理论与实践.2018
[4].李海林,邬先利.基于频繁模式发现的时间序列异常检测方法[J].计算机应用.2018
[5].张皓.海量数据下基于层级树的频繁序列模式挖掘[D].哈尔滨工业大学.2018
[6].李维娜,任家东.软件群体中基于交互序列的频繁模式挖掘算法研究[J].小型微型计算机系统.2018
[7].李长镜.基于极大频繁序列模式的文本分类方法[D].河北师范大学.2018
[8].陈鑫,薛云,卢昕,李万理,赵洪雅.基于保序子矩阵和频繁序列模式挖掘的文本情感特征提取方法[J].山东大学学报(理学版).2018
[9].孙启亮,牟超,孟瑶.基于频繁序列挖掘的男女生上网模式差异研究[J].现代计算机(专业版).2017
[10].袁二毛.生物序列近似频繁模式挖掘研究[D].合肥工业大学.2017