一、一种自适应快速关联规则挖掘算法（论文文献综述）
何丽[1]（2021）在《物联网恶意流量检测及关联回溯技术研究与实现》文中研究说明物联网逐渐步入公众的生活。但和互联网相比,物联网潜在的安全问题更多,流量面临的安全风险更大,因此对物联网恶意流量进行检测很有必要。同时,物联网流量的多样性导致攻击事件的回溯更复杂。因此,进行物联网恶意流量检测及关联回溯技术研究很有意义。本文主要研究了以下内容:（1）针对常用物联网应用层协议的恶意流量检测方法。本文对物联网安全相关报告进行了研读,对物联网存在的安全威胁进行了探讨,主要对消息队列遥测传输协议（Message Queuing Telemetry Transport,MQTT）、高级消息队列协议（Advanced Message Queuing Protocol,AMQP）、分布式实时数据分发服务中间件协议（Data Distribution Service,DDS）、超文本传输协议（Hyper Text Transfer Protocol,HTTP）四种常用物联网协议的通信机制及安全性进行了分析。总结了物联网恶意流量行为走向,从大小链、时间链、方向链选取了组合式流量特征,结合了深度流检测点和深度包检测点,归纳出了一种粗细粒度结合的物联网恶意流量检测方法。使用特征码匹配、正则表达式等判断机制,与流控策略库、指纹规则库进行恶意流量的检测。（2）关联回溯分析技术。以恶意流量检测出来的威胁报警数据作为输入,对Apriori算法进行自适应权重系数设定,从而计算威胁行为的关联度,形成关联攻击事件,进行关联规则双向性判定。将流量数据进行关联分析,构建用户要素、事件要素、元数据要素的前后关联链,改善传统威胁信息带来的误报高、证据链不足、安全事件追溯不完整问题。（3）设计并实现了物联网恶意流量检测及关联回溯原型系统。本文结合实际需求设计了原型系统,并基于Moloch框架和Suricata框架实现了原型系统。系统模块包括数据采集模块、协议识别模块、恶意流量检测模块、关联回溯模块以及可视化呈现模块。系统能将攻击行为的检测、流量数据等进行呈现。为了验证物联网恶意流量检测及关联回溯原型系统的实际效果,以多种公开数据集、攻击复现的模型数据、推衍型恶意流量作为测试集,对原型系统进行测试,测试结果表明:各模块工作正常且稳定;恶意流量检测模块的准确率较高,误检率较低;关联回溯模块能得到相关恶意攻击事件的关联度,能将检测出的威胁数据与历史流量进行关联互动;可视化呈现模块能将威胁报警信息、流量回溯信息、关联攻击事件等进行界面显示。综上,本文对物联网恶意流量检测及关联回溯进行探索的相关研究成果对检测物联网恶意流量攻击、保护物联网健康发展有较为积极的作用。
石晓丹[2]（2021）在《基于参数自适应的告警关联分析模块设计与实现》文中提出随着搭载在网络上的服务数量和种类的不断增加,网络中的设备也在向多元化和位置分散化的趋势发展。这种情况在提高了网络复杂性的同时,也提高了故障管理的难度。因此,告警关联分析作为故障管理的重要手段之一受到了广泛的关注。其主要目的就是通过对告警数据进行压缩、过滤及分析等操作找到数据之间潜在的关联性,并通过这些关联信息从一组告警序列中推理出指示故障根源的告警。目前,在告警关联分析方面的研究已经有了较大的进展。常见的告警关联分析方法有基于案例、基于神经网络和基于规则挖掘的方法等。其中,基于规则挖掘的告警关联分析方法由于其能够较好地适应网络的变化、善于发现告警数据之间潜在的规则及准确率较高等优点受到了广泛的关注。但是传统的基于规则的告警关联分析方法通常存在以下两个问题:1)在告警关联规则挖掘的过程中,需要设定最小支持度等参数来获取符合条件的关联规则。在现有的方法中,最小支持度通常是基于专家经验在算法运行之前人为指定的,并且在算法执行过程中不再改变。但是由于告警具有突发性的特点,不同的告警数据项分布不均匀且频繁程度也不同。如果在规则挖掘过程中忽略告警数据本身的特点而一直使用相同的最小支持度参数,那么将会影响挖掘到的关联规则的质量;2)在进行根源告警推理的过程中,通常都会建立包含规则节点的匹配网络。但是由于匹配过程具有组合的特性,在每次规则推理的过程中都会缓存一系列部分匹配的中间结果。对于告警这种结构相对复杂且数量较多的数据,这些部分匹配的中间结果会占用较多的空间,降低缓存空间的利用率。为此,本文提出了一种基于参数自适应的告警关联分析算法。首先针对采用固定宽度窗口提取告警事务效率较低的问题,本文提出了一种基于告警流速自适应调整的事务提取方法,使窗口大小可以根据告警数据流速自适应调整,从而实现对告警事务的动态提取;其次,针对传统告警关联规则挖掘算法中支持度参数固化的问题,本文通过引入强化学习的方法实现关联规则挖掘中支持度的动态调整,使其在挖掘过程中可以根据告警状态自适应改变,从而提高关联规则挖掘的效率;最后,针对现有告警规则推理方法中部分匹配结果占用缓存较大的问题,本文提出一种基于缓存优化的告警规则推理方法。该方法通过引入启发式标注链接匹配算法（Heuristically Annotated-Linkage matching,HAL）建立全局的伪二分网络提高规则推理的效率,并及时对推理过程中产生的部分匹配结果进行回收以解决传统HAL算法中缓存空间占用较大的问题。我们通过仿真实验验证了本文算法的有效性,结果表明本文所提出的算法能够有效提高挖掘到的告警关联规则的质量,减小告警规则推理过程中的缓存压力。针对用户对告警数据查询、预处理、告警事务提取、关联规则挖掘及告警规则推理等功能的故障运维操作需求,本文基于Java语言和SpringBoot框架设计并实现了基于参数自适应的告警关联分析模块。本文对该模块开发流程中的需求分析与模块的概要设计进行了说明,并详细介绍了告警数据查询、数据预处理、事务提取、告警关联规则挖掘及规则推理等功能子模块的处理流程。通过对本文所设计模块的功能和性能进行测试,验证了本文所设计的告警关联分析模块能够有效完成用户在故障运维过程中的各项需求,可以有效支撑后续故障定位及诊断的任务,提高了告警关联分析的效率。
张剑[3]（2021）在《多维情景下的微地图用户建模》文中认为“微地图”是自媒体时代中新兴地图的产物,它是面向普通大众的地图,以简单制作、便于传播为核心。为了更好地应用微地图的功能,就需要在完善自媒体时代地图理论的同时,对微地图用户及其行为进行研究,探索快速制图的方法,解决目前制图门槛高的现状。另外,在微地图软件平台的制作过程中,一个合适的用户模型,不仅在软件的开发和运行部分有着清晰的指导作用,而且在后期对于用户个性化的服务更是有着至关重要的作用。本文将结合微地图“小灵快”的特点以及微地图用户“既是制图者,又是看图者”的特征,利用多维情景分析的方法,建立初级用户模型,其次基于传播力指数挖掘用户行为机理,建立微地图用户高级模型。具体地,首先对用户的属性信息及行为信息在多维情景下进行分析,使其精确描述;然后结合自媒体时代“点对点”的传播方式,对用户行为进行关联规则挖掘,推断用户需求、偏好和行为;最终为用户推荐易制作、易传播的地图符号或模板,使微地图能够方便快速地进行传播交流。基于此,本文的研究工作和主要成果包括:（1）提出了微地图用户多维情景分析方法。从微地图的特点“小灵快”出发,提出了适合微地图用户的多维情景分析法,从多种情景维度表示用户信息及偏好,将用户信息以及偏好进行规范化表达,建立初级用户模型。（2）设计了传播力约束下的用户行为关联规则挖掘算法。从微地图的传播效果出发,寻找影响微地图传播效果的用户行为,对其中隐藏的关联规则进行挖掘。对于挖掘结果,过滤无用的关联规则,将有用的规则进行反馈更新,优化初级用户模型。（3）建立了微地图用户模型。以贝叶斯的建模方法为基础,将优化后的初级用户模型利用规则聚类的方法生成高级用户模型,其中包含个体用户模型和群体用户模型。最后,通过对相关算法的分析得出,可以为用户推荐传播力高的微地图模板和符号,协助用户制图。总的来说,本文结合多维情景的分析方法,并利用传播力指数对用户行为关联规则进行约束,最终建立了微地图用户模型。该用户模型可以对微地图用户属性、行为信息进行管理分析,并在用户制图的过程中推荐易传播的地图符号和模板,使得用户更加快速地制作出微地图。
钟倩漪,钱谦,伏云发,冯勇[4]（2021）在《粒子群优化算法在关联规则挖掘中的研究综述》文中研究表明关联规则挖掘是数据挖掘中的重要领域,考虑到当前数据的大规模、高维度、模态多样及类型复杂等特性,传统关联规则挖掘算法已无法适应大数据的需求,粒子群优化算法作为一种高效的智能优化算法,为其提供了一种全新的解决方案,近年来被广泛应用于该领域。首先对粒子群优化算法的基本原理及关联规则的基本概念进行了详细介绍,回顾了粒子群优化算法的研究进展,分析了粒子群优化算法在关联规则挖掘中的研究,包括常用的数据转换方法、编码方式及评估指标,并与其他在关联规则挖掘中被广泛应用的算法进行了对比,总结了各自的优缺点及适用场景。然后对已有改进方法进行了较为系统的分类,即分为基于参数、基于变异机制和混合其他算法的改进。接着梳理归纳了粒子群优化算法在关联规则挖掘中的应用领域,阐述了该算法在购物篮、金融、医疗、工业生产及风险评估领域中的应用优势。最后在介绍这一领域的最新研究进展的基础上,通过对现存问题进行分析,讨论了进一步的研究方向。
于帅[5]（2020）在《基于气象条件与交通流交互作用的高速公路事故风险分析及预测》文中认为道路交通事故目前在世界范围内是第五大致死因素,而在道路交通事故中,高速公路单次交通事故的严重程度更大、伤亡人数更多。传统的高速公路风险管理是被动的、静态的管理,将重点放在了“事后”应急中,已无法适应高速公路现代化、智能化管理的需求。近年来,数据采集、分析技术的发展,以及交通事故预警系统的研发,使高速公路风险管理由“事后应急管理”开始转变为“事前主动防控”。高速公路风险“事前”管理是运用数据挖掘手段,通过对与高速公路交通事故相关的高精度交通流特征、天气条件等数据的分析,识别影响高速公路安全运行的风险因素,判断高速公路运行的安全状态,对当前运行环境下高速公路是否会发生事故进行精准预测。高速公路管理部门可以根据以上分析及预测结果,提前进行针对性的高速公路预警及布置应急工作,提升高速公路安全管控水平,降低交通事故发生数量,减轻事故严重程度。目前我国高速公路风险主动管理还处于初级阶段,需要科学、实用的方法对其建设进行支撑,因此本文以高速公路安全风险为研究对象,以高速公路交通流动态特征与气象条件的交互作用为切入点,运用风险分析理论架构,从风险识别、风险评估及风险预测三个角度对高速公路主动风险管理的关键技术进行研究,为高速公路管理部门制定风险防控措施提供决策支持,主要研究内容包括以下三个方面:（1）高速公路事故风险因素识别首先,利用关联规则挖掘方法识别影响高速公路安全运行的风险因素。在收集、整理并分析高速公路交通事故统计数据的基础上,发现影响高速公路安全运行的风险因素具有多层次、多维度的特点,且不同因素之间存在相关性,因此提出了基于Apriori算法改进的多维多层AHP加权Top-k关联规则挖掘算法的高速公路风险因素识别方法,该方法克服了传统统计分析方法无法避免的影响因素之间相关性问题,同时解决了经典关联规则需要在挖掘过程中设置最小支持度阈值导致错失重要关联规则的问题,实现了对影响高速公路安全运行风险因素的深度挖掘。通过对挖掘出来的关联规则进行筛选和对比分析,有效识别了影响高速公路安全的关键风险因素为交通流特征和天气特征,为接下来的高速公路安全状态评估提供了研究基础。（2）基于气象条件与交通流交互作用的高速公路安全状态划分和评价其次,对高速公路安全风险状态进行评估。综合考虑天气特征与交通流特征之间的关联关系,运用“病例-对照”样本结构数据匹配方法,提取高速公路交通事故发生点对应的事故发生前上下游交通流状态数据以及与其相匹配的高精度天气数据,避免了其他混杂因素的影响;在此基础上计算能够表征交通安全状态的复合指标,并采用随机森林算法筛选出变量重要度靠前的重要指标,解决了后面计算过程中的维度灾难问题。接着针对评价指标同时包含数值型数据与分类型数据的混合型数据特点,提出了基于模糊k-prototypes算法的高速公路安全状态划分方法,并基于贝叶斯Logistic回归方法评估不同交通安全状态对事故风险的影响。结果表明同时考虑天气和交通流动态特征条件下高速公路安全状态可以划分为6类,而只考虑交通流特征时只能将高速公路安全状态划分为5类,说明同时考虑天气条件和交通流动态特征条件下的高速公路安全状态划分的更加精细。（3）基于气象条件与交通流交互作用的高速公路事故风险预测最后,对高速公路安全风险进行预测。定量分析天气因素与交通流特征之间存在的交互效应,并证明了在高速公路安全风险评估中加入天气因素能够提升模型对高速公路事故风险的判别精度。接着在考虑天气因素与交通流特征的基础上提出了基于学习率自适应随机梯度提升算法的高速公路事故风险预测模型,实现对基于气象条件与交通流交互作用的高速公路安全风险进行预测。预测结果显示本文所建模型在同时考虑天气及交通流特征情况下预测准确率最高,同时在数据有缺失值及异常值情况下仍有较高的预测准确率。
罗腾宇[6]（2020）在《面向Ethercat主从站设备的故障检测与故障预测方法研究》文中进行了进一步梳理随着工业4.0时代的到来,在工业技术领域,各项工业设备都在向智能化方向发展。其中,运动控制设备从由传统的基于脉冲信号的通信方式转变为基于实时工业以太网帧的通信方式。随着设备的复杂化,设备发生故障的可能性也随之提高,并且故障对产品的优劣以及设备可靠性有着重要影响。传统设备使用传感器对设备进行健康监测,使用基于限位的判断方法,只能表示故障与健康两种状态,对设备内部状态变化趋势的表示不足。而本文通过获取控制信号与反馈信号去描述系统的健康状态,不仅可以判断整个设备是否故障,还可以获取相关数据值来反映设备的健康状态趋势变化。本论文根据2019年度四川省重大科技专项“先进制造智能服务”课题为依托,以成都某自动化设备生产公司Ethercat主从站设计项目为背景,针对Ethercat实时工业以太网的通信特点提出通过对其通信数据进行分析,从而进行故障检测与故障预测的研究方法,本文围绕以下两个方面进行研究:首先,针对实时工业以太网通信数据单位时间内数据量大、数据无标签、数据与故障特征没有显式对应关系等问题。提出了一种基于聚类分析以及关联规则挖掘的故障检测方法,该方法在对数据进行预处理后,通过基于减法聚类的模糊c聚类算法对样本进行聚类,并将聚类的结果作为自适应密度聚类的关键参数,用于对实时数据进行聚类分析,并将密度聚类形成的聚类簇使用关联规则挖掘算法进行分析,从而得到基于数据的故障特征。最后通过仿真实验证明该方法的可行性。其次,根据实时工业以太网内部通信数据单位时间内数据量大且无法直接对其进行时间序列预测等问题。提出了一种ESN-FESN两步预测模型,该模型在回声状态网络以及模糊模型的基础上,通过ESN算法对故障检测所得到的聚类簇进行时间属性上的预测,并将其预测结果用于激活FESN的模糊规则,从而对聚类簇特征值属性进行多维角度的预测,并通过故障阈值判断预测结果。最后通过仿真实验证明该方法的可行性。
郭洋[7]（2019）在《面向智能交通大数据的特征提取和流量预测算法优化与改进研究》文中进行了进一步梳理智能交通系统作为未来交通系统的发展方向,近年来获得了快速深入发展,并已具备大数据特征。而大数据环境下的海量多源异构且实时性强的数据,增加了数据挖掘的复杂度和难度。特征提取和流量预测是目前该领域中广泛应用的两类数据挖掘方法。其中,特征提取方法又涵盖了关联特征与事件特征两种使用频繁的代表性提取算法。随着智能交通数据环境的不断演变,关联特征提取、事件特征提取和交通流量预测的传统模型与算法逐渐表现出准确率下降、性能缓慢、效率低下等问题,成为目前各类高可靠性、高效率、高精度系统应用的瓶颈所在。因此,研究如何优化改进这三种算法以适应时代的发展和满足更高标准的数据需求具有非常重要的现实意义。本论文旨在基于交通关联特征提取、事件特征提取和流量预测的现有算法基础上,进一步研究大数据挖掘并行化和特征选择的特点,提炼机器学习应用于交通数据的特有特性,分析现有工作的不足,通过与相关的实验进行有机结合,提出三种新的优化算法,改进算法的准确度和效率,提高算法在智能交通系统中的应用效果。论文的主要研究内容如下:（1）面向交通领域的关联特征提取算法的核心是进行关联规则挖掘。但该挖掘算法的每次迭代计算过程中的大量磁盘I/O操作会使运行平台效率低下,同时一成不变的算法迭代策略产生了大量中间候选集,造成空间和时间成本高。针对这一问题,提出一个基于分布式并行计算和自适应策略的关联特征提取算法。该算法利用Spark的内存存储特性并使用一种改进的方法去除传统Apriori算法中间候选集的生成步骤,提出基于数据集性质的自适应策略来寻找具有更高精度和效率的频繁模式,实现了最小化的时间和空间复杂度。（2）在面对交通领域的海量和多属性的数据挖掘过程中,存在大量噪声和冗余,导致训练数据不清晰,直接使用人工神经网络会使网络模型规模巨大而复杂。而过于复杂的网络结构将导致超长的学习时间以及局部最小化和过拟合问题,挖掘效率低。针对这一问题,通过研究模糊集、粗糙集理论和神经网络各自具有的优势以及存在的问题,提出一种基于新定义的模糊粗糙集概念的粒度神经网络,以依赖因子的形式提取数据的领域知识。该方法使用粒化结构来定义网络的输入向量和目标值,指定依赖因子作为粒度神经网络的初始连接权重,然后在无监督的情况下,使用新提出的特征评估指数最小化方式对其进行训练。在训练完成之后,从隐藏层和输出层之间的权重更新来获得各个特征的重要性。（3）交通流量预测是交通建模和管理中的一个基本问题,许多交通流量预测系统和模型大都使用浅层模型,且对不同道路采取分散独立学习和预测的模式。已有的一些深层架构模型如深度置信网络由于反向传播方法的先天性缺陷,例如慢收敛和局部最优,使得基于这些模型的方法未能提供最有利的预测结果。为了解决这些问题,提出了一种基于多层神经网络架构和多任务学习的交通流量预测优化算法。该算法的模型结构是由两部分组成的多层网络结构,包括底层的DBN和顶层的多任务回归层。DBN以无监督的方式进行特征学习,在DBN之上创建多任务回归层,嵌入回声状态学习机制而不是传统的反向传播方法,用于监督预测。该模型结合了DBN和回声状态网络的优点,并通过多任务学习机制综合考虑了多条道路的互相影响,以提高预测准确率。论文进一步研究了不同的任务分组策略对预测效果的影响,同构和异构多任务学习在交通流量预测中的应用并提出了一种基于顶层权重的分组方法,使多任务学习更加有效。
李彦聪[8]（2019）在《基于概念图的自适应学习系统的研究及应用》文中指出随着教育信息化和教育现代化近年来的飞速发展,以智慧教育为主题的教育建设正在引领我国现代教育的发展方向。教育信息化的不断推进和实施,使教育步入了大数据时代。教育信息化的巨大发展推动了教育数据挖掘技术的进步,同时也对教育模式和技术水平提出了更高的要求。教育现代化的提出也促使学习者提出了更具自适应性的学习需求。当前的教育技术和方法在现代化的教育实施中已显现不足。围绕着如何从教育大数据中挖掘有效信息,实现自适应性的个性化学习目标,并为教育信息化提供教学思路和策略依据等话题,本文以自适应学习系统中重要的可视化评价工具一一概念图为研究对象,主要从以下几个方面展开研究:（1）针对现有概念图构建方法中普遍存在的对专家经验高度依赖、概念图构建耗时等问题,本文提出了一种基于文本分类和关联规则挖掘的概念图自动构建模型。该模型充分考虑概念之间的关联属性,利用文本分析中的文本分类技术代替专家自动为试题匹配概念标签,并结合关联规则挖掘方法计算概念之间的关联,自动构建具有一定自适应性的概念图。该模型可减少对外界专家经验的依赖,对于减少概念图的构建时间具有重要意义。同时所构建的概念图以图形化的方式通过关联对和相关程度值清晰展现概念间的关联,可为知识可视化提供教学优化指导。（2）为进一步从概念图中挖掘有效信息,实现个性化教育。本文充分考虑不同学习者群体间的学习特征,为自适应学习系统提出了一种基于概念图的学习路径自动生成模型。该模型通过聚类方法将不同概念掌握水平的学习者划分为若干群体,并结合关联规则挖掘方法构建出若干具有学习者学习特征的概念图,利用拓扑排序算法对概念图继续分析,最终实现符合自适应学习系统特征的学习路径的自动生成。该模型可克服当前研究中对学习者群体的区分能力不足的问题,并且基于学习路径所制定的多种教学计划和教学时长建议,可为教育提供指导及建议,进一步提升自适应学习系统的能力。（3）以上述研究成果为基础,从实际应用角度出发,设计并研发了一款概念图及学习路径自动生成原型系统。该系统以试题库及教育在线平台收集的学习者答题记录为数据源,实现了本文所提出的两种模型,即概念图自动构建模型和学习路径自动生成模型。构建得到的概念图和学习路径在该系统中通过可视化工具直观展现,为教师提供改进教学的措施和依据,实现“因材施教”的个性化教育教学。
谢南[9]（2019）在《基于分布式框架的并行关联规则挖掘算法研究》文中提出关联规则挖掘是实现从大数据中提取有价值的信息的常用方法,旨在从数据中发现经常出现的项目、高相关性的信息。针对目前单机算法的处理能力已无法适应海量数据的应用场景,同时传统的并行关联规则挖掘方法存在I/O开销大、可扩展性差、计算效率低、资源占用率高等问题。针对上述问题,以Apriori算法和FP-Growth算法为蓝本,结合布隆过滤器和哈希树等数据结构提出基于分布式框架的并行关联规则挖掘算法。其一,基于Hadoop-MapReduce框架结合布隆过滤器提出一种并行挖掘出频繁集算法P-FIM,仅需两次MapReduce过程,同时通过减少MapTask数量、精简事务集且无需生成全局候选集、有效的减少I/O开销,从而提升计算效率。其二,基于Spark分布式框架结合布隆过滤器和哈希树提出一种自适应数据迭代挖掘频繁集的动态关联规则挖掘算法D-Apriori,采用动态自适应寻优方式选择计算效率更高的挖掘模式,从而达到最大化计算效率。实验测试结果表明,通过多个并行算法的评价指标验证本文两种算法的有效性,通过与主流的四种算法基于不同支持度、数据集的对比分析验证本文两种算法都有很好的计算效率,此外两种算法分别基于Spark、Hadoop实现,观察两种框架对算法的提升效果,均能快速挖掘大数据集、Spark对迭代算法D-Apriori提升幅度更大、Hadoop则更适合对内存高需求的P-FIM算法。该论文有图42幅,表13个,参考文献63篇。
张维[10]（2019）在《掺烧煤泥循环流化床机组运行督导与智能预警》文中研究指明国家鼓励推进与煤共伴生资源的综合开发利用,目前循环流化床（Circulating Fluidized Bed,CFB）技术是综合利用煤泥的最佳工业处理方式,掺烧低价煤泥也是提高CFB机组经济性的重要手段。但掺烧煤泥造成控制参数波动给机组运行带来挑战,如何保证运行安全稳定前提下调节控制参数实现经济性最优,具有重要研究意义。掺烧煤泥CFB机组的大惯性、大迟延、强耦合特点导致机理建模困难,很难形成具普适性的控制优化系统。大数据、人工智能与发电产业的深度融合是智能电厂应用推广的重要手段。目前较少出现基于过程数据的掺烧煤泥CFB机组整体建模优化成果,因此深入挖掘过程数据提出运行辅助信息系统,填补此类研究空白具有重要意义。本研究基于分布式控制系统中存储的过程数据,以掺烧煤泥CFB机组运行稳定性、经济性、安全性为目标,采用数据驱动建模、数据挖掘优化、专家系统指导以及状态智能预警等技术,创新性提出掺烧煤泥CFB机组整体运行督导与智能预警方案。基于以上研究内容与思路,课题从以下几个方面开展研究:（1）运行督导系统内综合经济性模型建立以全机组燃料成本、脱硫脱硝成本、厂用电成本总和为综合经济性指标。在数据预处理与偏互信息法特征选择基础上,利用Elman神经网络、支持向量机、最小二乘支持向量机为代表的传统数据驱动算法分别建立控制变量与综合经济性之间黑箱模型并综合比较分析。在性能较优的最小二乘支持向量机算法基础上,提出改进策略:采用改进网格搜索法及模型更新策略提升模型预测精度与自适应能力,进一步采用模糊信息粒化方法分析综合经济性变化趋势及范围。（2）运行督导系统搭建由运行数据库、模型算法库以及专家知识库组成掺烧煤泥CFB机组运行督导系统。以综合经济性模型为基础,遗传算法优化下的典型稳态工况组成离线专家知识库。改进模糊关联规则挖掘算法创新性引入“效用成本”关联规则复合型评价指标,对专家知识库数据进行模糊化与关联规则挖掘。筛选出最佳综合经济性稳态工况下变量间关联规则后,将其输入至模糊逻辑控制器。模糊逻辑控制器接收负荷指令后,在线输出最佳综合经济性稳态工况控制变量目标值,为机组运行提供操作指导与信息参考。（3）智能预警系统内状态预测模型建立状态预测模型是智能预警系统的模型基础,准确的正常状态预测模型与观测状态之间的差异信息蕴含了故障早期特征。多维时间序列预测、模糊推理预测、多元状态估计技术以及提出的改进多元状态估计技术用来进行设备正常状态参数预测和模型比较。在模型预测精度方面,利用概率密度构造过程记忆矩阵的改进多元状态估计技术与多维时间序列预测方法优于其他两种方法;在模型复杂度及运算快速性方面,以状态向量为操作单元的改进多元状态估计技术不需逐一参数建模,远优于其他三种方法。（4）智能预警系统搭建智能预警系统通过状态预测、状态判断、变量定位功能板块,最终实现智能预警功能。在状态判断研究中,综合比较基于可调平滑参数、K-means聚类以及滑动窗口相似度的状态判断方法,提出的滑动窗口相似度在预警准确性、及时性、简便性方面最具优势。滑动窗口相似度函数以状态预测模型输出为基础,采用状态间欧氏距离的反比函数描述正常状态与观测状态间相似性;将层次分析法得到的故障信息权重赋值相似度函数变量,利用滑动窗口法消除随机重复预警误报。预警后变量异常标记占比被用于故障变量定位与诊断,结合变量信息及现场检修得到故障原因。最后分析与讨论了滑动窗口参数对预警灵敏度的影响规律。
二、一种自适应快速关联规则挖掘算法（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、一种自适应快速关联规则挖掘算法（论文提纲范文）
（1）物联网恶意流量检测及关联回溯技术研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容与创新点 |
| 1.4 组织结构 |
| 2 物联网恶意流量检测技术研究 |
| 2.1 物联网协议分层 |
| 2.2 物联网应用层协议安全性分析 |
| 2.3 物联网恶意流量检测模型 |
| 2.4 本章小结 |
| 3 基于改进Apriori算法的关联规则挖掘 |
| 3.1 经典Apriori算法 |
| 3.2 算法改进 |
| 3.3 面向报警信息的关联规则挖掘 |
| 3.4 本章小结 |
| 4 原型系统设计与实现 |
| 4.1 系统总体需求 |
| 4.2 系统总体设计 |
| 4.3 数据采集模块 |
| 4.4 协议识别模块 |
| 4.5 恶意流量检测模块 |
| 4.6 关联回溯模块 |
| 4.7 可视化呈现模块 |
| 4.8 本章小结 |
| 5 系统测试与分析 |
| 5.1 测试环境 |
| 5.2 测试数据 |
| 5.3 测试步骤及结果 |
| 5.4 测试结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（2）基于参数自适应的告警关联分析模块设计与实现（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 研究内容与创新点 |
| 1.3 硕士期间主要工作 |
| 1.4 论文结构 |
| 第二章 相关理论与国内外研究现状 |
| 2.1 告警关联分析相关概念及研究现状 |
| 2.1.1 告警关联分析基本概念 |
| 2.1.2 基于案例的告警关联分析方法 |
| 2.1.3 基于人工神经网络的告警关联分析方法 |
| 2.1.4 基于规则挖掘的告警关联分析方法 |
| 2.2 强化学习相关理论及其在自适应学习领域研究现状 |
| 2.2.1 强化学习基本概念 |
| 2.2.2 强化学习经典算法 |
| 2.2.3 强化学习在自适应学习领域研究现状 |
| 2.3 本章小结 |
| 第三章 基于参数自适应学习的告警关联分析算法 |
| 3.1 引言 |
| 3.2 基于参数自适应学习的告警关联分析算法 |
| 3.2.1 算法总体流程和框架 |
| 3.2.2 基于告警流速自适应调整的事务提取方法 |
| 3.2.3 基于强化学习的支持度自适应的告警关联规则挖掘方法 |
| 3.2.4 基于缓存优化的告警规则推理方法 |
| 3.3 仿真实验及结论 |
| 3.3.1 数据集及实验环境配置 |
| 3.3.2 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 告警关联分析模块的设计与实现 |
| 4.1 引言 |
| 4.2 系统需求分析 |
| 4.2.1 功能需求分析 |
| 4.2.2 性能需求分析 |
| 4.3 系统概要设计 |
| 4.3.1 系统结构设计 |
| 4.3.2 系统工作流程设计 |
| 4.4 系统详细设计与实现 |
| 4.4.1 数据库设计 |
| 4.4.2 告警数据预处理模块详细设计与实现 |
| 4.4.3 告警事务提取模块详细设计与实现 |
| 4.4.4 告警关联规则挖掘模块详细设计与实现 |
| 4.4.5 告警规则推理模块详细设计与实现 |
| 4.5 系统测试 |
| 4.5.1 测试环境 |
| 4.5.2 测试用例 |
| 4.5.3 测试结果 |
| 4.6 系统运行效果展示 |
| 4.6.1 告警数据查询功能演示 |
| 4.6.2 告警数据预处理功能演示 |
| 4.6.3 告警事务自适应提取功能演示 |
| 4.6.4 告警关联规则挖掘功能演示 |
| 4.6.5 告警规则推理功能演示 |
| 4.7 本章小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）多维情景下的微地图用户建模（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外相关研究综述 |
| 1.2.1 地图用户研究 |
| 1.2.2 用户行为关联规则挖掘 |
| 1.2.3 用户建模方法现状 |
| 1.3 研究内容及思路 |
| 1.3.1 研究内容 |
| 1.3.2 研究思路 |
| 1.4 论文结构 |
| 2 微地图用户模型的相关理论与方法 |
| 2.1 用户模型 |
| 2.1.1 用户模型的概念 |
| 2.1.2 用户模型的分类 |
| 2.1.3 用户模型的表示方法 |
| 2.2 微地图用户建模的过程与方法 |
| 2.2.1 微地图用户模型特点 |
| 2.2.2 微地图用户模型构建思路 |
| 2.3 本章小结 |
| 3 多维情景下的微地图用户分析 |
| 3.1 微地图用户分析 |
| 3.1.1 多维情景分析 |
| 3.1.2 用户属性 |
| 3.1.3 客观环境 |
| 3.1.4 用户需求 |
| 3.2 微地图用户行为关联规则挖掘 |
| 3.2.1 关联规则挖掘算法 |
| 3.2.2 传播力约束 |
| 3.2.3 传播力约束下的行为关联规则挖掘算法 |
| 3.3 关联规则挖掘实验与分析 |
| 3.3.1 实验过程 |
| 3.3.2 算法性能对比 |
| 3.4 本章小结 |
| 4 微地图用户模型的设计与实现 |
| 4.1 人机交互与情景获取 |
| 4.2 微地图用户模型设计 |
| 4.2.1 微地图用户模型构建方法 |
| 4.2.2 微地图用户建模流程 |
| 4.2.3 微地图用户模型更新学习模块 |
| 4.3 微地图用户模型测试 |
| 4.3.1 微地图用户模型测试 |
| 4.3.2 测试过程及评价 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录A 问卷调查 |
| 攻读学位期间的研究成果 |
（4）粒子群优化算法在关联规则挖掘中的研究综述（论文提纲范文）
| 1 相关概念及原理 |
| 1.1 粒子群优化算法基本原理 |
| 1.2 关联规则基本概念 |
| 2 PSO算法的研究现状 |
| 3 PSO算法在关联规则挖掘中的研究 |
| 3.1 数据转换 |
| 3.2 编码方式 |
| 3.3 规则评估 |
| 3.3.1 兴趣度 |
| 3.3.2 理解度 |
| 3.3.3 相似度 |
| 3.4 PSO算法与其他关联规则挖掘算法对比 |
| 4 改进PSO算法在关联规则挖掘中的研究 |
| 4.1 基于参数的改进 |
| 4.2 基于变异机制的改进 |
| 4.3 混合PSO算法 |
| 4.3.1 混合精确算法 |
| 4.3.2 混合智能算法 |
| 4.3.3 混合神经网络 |
| 5 PSO算法在关联规则挖掘中的应用 |
| 6 总结与展望 |
（5）基于气象条件与交通流交互作用的高速公路事故风险分析及预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究目的、研究范围与研究内容 |
| 1.2.1 研究目的 |
| 1.2.2 研究范围 |
| 1.2.3 研究内容 |
| 1.3 研究思路与技术路线 |
| 1.4 论文结构 |
| 2 理论方法与研究综述 |
| 2.1 风险管理理论 |
| 2.1.1 风险管理的含义 |
| 2.1.2 风险管理的目标 |
| 2.1.3 风险管理的一般程序 |
| 2.2 高速公路安全预警工作研究现状 |
| 2.3 高速公路事故风险识别研究现状 |
| 2.4 高速公路事故风险评估研究现状 |
| 2.5 高速公路事故风险预测研究现状 |
| 2.6 研究现状总结 |
| 3 基于关联规则挖掘的高速公路事故风险识别 |
| 3.1 概述 |
| 3.2 高速公路事故与风险因素关联规则简介 |
| 3.2.1 高速公路安全风险关联规则基本概念 |
| 3.2.2 关联规则筛选标准 |
| 3.2.3 高速公路事故与其风险因素之间关联规则分类 |
| 3.3 高速公路事故与风险因素加权关联规则 |
| 3.3.1 加权关联规则概述 |
| 3.3.2 加权关联规则权重确定方法 |
| 3.3.3 加权关联规则评价指标计算 |
| 3.4 高速公路事故与风险因素关联规则挖掘 |
| 3.4.1 Apriori关联规则挖掘算法 |
| 3.4.2 关联规则有效性检验 |
| 3.4.3 基于Apriori算法改进的多维多层AHP加权Top-k关联规则挖掘算法 |
| 3.5 实例分析 |
| 3.5.1 数据收集 |
| 3.5.2 数据处理 |
| 3.5.3 结果分析 |
| 3.6 本章小结 |
| 4 基于气象与交通流特征关联风险的高速公路安全状态评价 |
| 4.1 概述 |
| 4.2 基于随机森林算法的影响高速公路安全状态评价指标筛选 |
| 4.2.1 随机森林算法原理 |
| 4.2.2 变量筛选评价指标 |
| 4.2.3 随机森林算法筛选重要变量步骤 |
| 4.3 基于模糊k-prototypes算法的高速公路安全状态划分 |
| 4.3.1 算法描述 |
| 4.3.2 算法实现 |
| 4.4 基于贝叶斯Logistic回归的高速公路交通安全状态评估 |
| 4.5 实例分析 |
| 4.5.1 数据收集 |
| 4.5.2 数据处理 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 5 基于天气与交通流特征交互效应的高速公路事故风险预测 |
| 5.1 概述 |
| 5.2 天气特征与交通流动态特征的交互作用 |
| 5.2.1 变量交互作用介绍 |
| 5.2.2 数据收集与处理 |
| 5.2.3 模型估计结果分析 |
| 5.3 基于学习率自适应随机梯度提升算法的高速公路事故风险预测 |
| 5.3.1 集成学习概述 |
| 5.3.2 梯度提升算法 |
| 5.3.3 基于学习率自适应的随机梯度提升预测模型 |
| 5.4 实例分析 |
| 5.4.1 数据描述 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 6 研究结论及展望 |
| 6.1 主要研究结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 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 |
（6）面向Ethercat主从站设备的故障检测与故障预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备故障检测研究现状 |
| 1.2.2 设备故障预测研究现状 |
| 1.3 研究目标与内容 |
| 1.4 本论文结构安排 |
| 第二章 故障检测与预测方法总体方案设计 |
| 2.1 引言 |
| 2.2 设备故障原因分析 |
| 2.3 异常数据模型分析 |
| 2.4 故障检测方法总体方案设计 |
| 2.4.1 聚类算法描述与分析 |
| 2.4.2 关联规则挖掘算法描述与分析 |
| 2.4.3 基于聚类与关联规则挖掘的故障检测方案设计 |
| 2.5 故障预测总体方案设计 |
| 2.5.1 模糊T_S模型描述与分析 |
| 2.5.2 基于回声状态网络的数据预测方法描述与分析 |
| 2.5.3 基于回声状态网络与模糊T_S模型的故障预测方案设计 |
| 2.6 本章小结 |
| 第三章 故障检测方法设计与仿真 |
| 3.1 引言 |
| 3.2 基于聚类的数据处理方法设计 |
| 3.2.1 数据预处理方法设计 |
| 3.2.2 自适应模糊C聚类方法设计 |
| 3.2.3 自适应密度聚类方法设计 |
| 3.3 基于动态关联规则挖掘的故障特征提取方法设计 |
| 3.4 仿真实验与结果分析 |
| 3.5 本章小结 |
| 第四章 故障预测方法设计与仿真 |
| 4.1 引言 |
| 4.2 预测数据预处理方法设计 |
| 4.2.1 预测数据模型描述 |
| 4.2.2 基于样本的DBSCAN密度聚类方法设计 |
| 4.3 基于ESN-FESN的数据预测方法设计 |
| 4.3.1 ESN-FESN模型设计 |
| 4.3.2 ESN-FESN算法推理 |
| 4.3.3 ESN-FESN算法训练 |
| 4.3.4 ESN-FESN的预测性能分析 |
| 4.4 基于数据预测的故障预测方法设计 |
| 4.5 仿真实验与结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（7）面向智能交通大数据的特征提取和流量预测算法优化与改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 关联特征提取算法向分布式并行化发展 |
| 1.1.2 结合粗糙集理论与神经网络进行特征提取 |
| 1.1.3 深度学习在交通流量预测中的应用 |
| 1.2 国内外研究现状与相关工作 |
| 1.2.1 基于并行计算的关联特征提取方法 |
| 1.2.2 基于粗糙神经网络的特征提取方法 |
| 1.2.3 基于深度学习的交通流量预测方法 |
| 1.2.4 相关研究工作总结 |
| 1.3 研究目的和研究内容 |
| 1.4 论文结构 |
| 1.5 本章小结 |
| 第二章 特征提取方法与深度预测模型简介 |
| 2.1 关联特征提取方法 |
| 2.1.1 Apriori挖掘算法 |
| 2.1.2 基于Map Reduce的 Apriori挖掘算法 |
| 2.2 模糊集、粗糙集与机器学习方法 |
| 2.2.1 模糊集与粗糙集 |
| 2.2.2 模糊粗糙集模型 |
| 2.2.3 模糊粗糙集与机器学习 |
| 2.3 基于深度学习的预测模型 |
| 2.3.1 堆叠自动编码机 |
| 2.3.2 深度置信网络 |
| 2.3.3 卷积神经网络 |
| 2.3.4 递归神经网络 |
| 2.4 本章小结 |
| 第三章 基于分布式并行计算与自适应策略的交通关联特征提取优化算法 |
| 3.1 引言 |
| 3.2 关联规则提取与MAPREDUCE |
| 3.3 基于SPARK的自适应分布式关联规则挖掘优化算法 |
| 3.3.1 算法阶段I—生成频繁单项 |
| 3.3.2 算法阶段II—频繁项集生成 |
| 3.4 实验与分析 |
| 3.4.1 实验设置 |
| 3.4.2 算法扩展性实验结果与分析 |
| 3.4.3 算法性能实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于模糊粗糙神经网络的交通事件特征提取优化算法 |
| 4.1 引言 |
| 4.2 模糊集、粗糙集和模糊粗糙集中的粒度与近似 |
| 4.3 改进的模糊粗糙集:粒化与近似 |
| 4.3.1 使用模糊集定义决策类 |
| 4.3.2 下近似与上近似边界 |
| 4.4 基于模糊粗糙粒度的神经网络生成方法 |
| 4.4.1 数据归一化 |
| 4.4.2 基于α-切割的粒化结构构建 |
| 4.4.3 确定粒化神经网络的输入向量和目标值 |
| 4.4.4 基于模糊粗糙集的粒度神经网络的构建和训练算法 |
| 4.5 实验与分析 |
| 4.5.1 实验过程 |
| 4.5.2 top-k特征对分类精度的影响 |
| 4.5.3 不同特征选择方法下的分类实验结果 |
| 4.5.4 特征选择方法评估 |
| 4.6 本章小结 |
| 第五章 基于多层神经网络架构和多任务学习的交通流量预测优化算法 |
| 5.1 引言 |
| 5.2 多层神经网络架构与交通流量预测方法 |
| 5.2.1 交通流量预测 |
| 5.2.2 DBN |
| 5.2.3 DBN-DNN |
| 5.2.4 回声状态网络 |
| 5.3 基于多任务学习深度置信回声状态网络的交通流量预测方法 |
| 5.3.1 基于深度置信回声状态网络的交通流量预测架构 |
| 5.3.2 底部DBN独立学习 |
| 5.3.3 回归层局部权重调整 |
| 5.3.4 遗传算法优化ESN |
| 5.3.5 多任务学习机制融入 |
| 5.3.6 多任务分组策略 |
| 5.4 实验与分析 |
| 5.4.1 实验设置 |
| 5.4.2 多层神经网络结构选择实验 |
| 5.4.3 多层网络预测模型实验结果分析 |
| 5.4.4 多任务学习实验结果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于概念图的自适应学习系统的研究及应用（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 研究内容及创新点 |
| 1.2.1 概念图自动构建 |
| 1.2.2 学习路径自动生成 |
| 1.2.3 原型系统的设计与开发 |
| 1.3 本文的组织结构 |
| 第二章 研究进展及相关技术介绍 |
| 2.1 概念图研究进展 |
| 2.1.1 非自适应性概念图研究 |
| 2.1.2 自适应性概念图研究 |
| 2.1.3 小结 |
| 2.2 本文涉及的主要技术 |
| 2.2.1 文本分类 |
| 2.2.2 关联规则挖掘 |
| 2.2.3 聚类分析 |
| 2.2.4 拓扑排序 |
| 2.3 本章小结 |
| 第三章 基于文本分类和关联规则挖掘的概念图自动构建模型 |
| 3.1 概念图自动构建模型思想及符号定义 |
| 3.2 概念图自动构建模型步骤 |
| 3.2.1 试题文本分类 |
| 3.2.2 概念间的关联规则挖掘 |
| 3.3 实验及结果分析 |
| 3.3.1 数据来源和实验环境 |
| 3.3.2 试题文本分类实验 |
| 3.3.3 概念间的关联规则挖掘实验 |
| 3.4 本章小结 |
| 第四章 基于概念图的学习路径自动生成模型 |
| 4.1 学习路径自动生成模型思想及符号定义 |
| 4.2 学习路径自动生成模型步骤 |
| 4.2.1 具有学习特征的概念图构建 |
| 4.2.2 基于概念图的学习路径生成 |
| 4.3 实验及结果分析 |
| 4.3.1 数据来源 |
| 4.3.2 概念图构建实验 |
| 4.3.3 学习路径生成实验 |
| 4.4 本章小结 |
| 第五章 原型系统设计 |
| 5.1 系统架构 |
| 5.2 系统功能结构 |
| 5.2.1 系统管理模块 |
| 5.2.2 系统功能模块 |
| 5.3 系统展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的主要工作 |
| 致谢 |
（9）基于分布式框架的并行关联规则挖掘算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文内容 |
| 1.4 论文结构 |
| 2 相关理论 |
| 2.1 关联规则 |
| 2.2 频繁集挖掘算法 |
| 2.3 Hadoop-MapReduce编程模式 |
| 2.4 Spark框架 |
| 2.5 布隆过滤器 |
| 2.6 本章小结 |
| 3 P-FIM算法设计与实现 |
| 3.1 P-FIM算法的第一次MapReduce |
| 3.2 P-FIM算法的第二次MapReduce |
| 3.3 P-FIM算法应用示例 |
| 3.4 P-FIM在 Spark上的实现 |
| 3.5 P-FIM算法验证 |
| 3.6 本章小结 |
| 4 D-Apriori算法设计与实现 |
| 4.1 D-Apriori算法实现的第一阶段 |
| 4.2 精简步 |
| 4.3 方法选择条件 |
| 4.4 D-Apriori算法实现的第二阶段 |
| 4.5 D-Apriori算法验证 |
| 4.6 P-FIM和D-APriori的对比实验 |
| 4.7 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）掺烧煤泥循环流化床机组运行督导与智能预警（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.1.1 煤炭市场发展现状 |
| 1.1.2 循环流化床掺烧煤泥技术意义及难点 |
| 1.1.3 大数据应用下的智慧电厂推进 |
| 1.2 掺烧煤泥循环流化床机组运行优化研究现状 |
| 1.2.1 现有研究局限性 |
| 1.2.2 基于过程数据的建模优化综述 |
| 1.3 智能监测与故障预警研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 建模准备与过程数据处理 |
| 2.1 引言 |
| 2.2 综合经济性 |
| 2.2.1 燃料成本 |
| 2.2.2 脱硫脱硝成本 |
| 2.2.3 厂用电耗成本 |
| 2.3 数据预处理 |
| 2.3.1 离群点剔除 |
| 2.3.2 稳态工况筛选 |
| 2.3.3 数据标准化 |
| 2.4 特征选择 |
| 2.4.1 BP神经网络法 |
| 2.4.2 偏互信息法 |
| 2.4.3 实例分析 |
| 2.5 本章小结 |
| 第3章 掺烧煤泥循环流化床机组综合经济性模型 |
| 3.1 引言 |
| 3.2 传统数据驱动建模算法 |
| 3.2.1 ELMAN神经网络模型 |
| 3.2.2 支持向量机模型 |
| 3.2.3 最小二乘支持向量机模型 |
| 3.3 改进最小二乘支持向量机模型 |
| 3.2.1 改进网格搜索法与交叉验证 |
| 3.3.2 模型更新策略 |
| 3.4 模糊信息粒化 |
| 3.5 实验应用及模型比较分析 |
| 3.5.1 研究对象介绍及数据准备 |
| 3.5.2 传统数据驱动建模与改进LS-SVM建模 |
| 3.5.3 模型比较及结果分析 |
| 3.5.4 模糊信息粒化应用 |
| 3.6 本章小结 |
| 第4章 掺烧煤泥循环流化床机组运行督导系统 |
| 4.1 整体设计方案与系统结构 |
| 4.1.1 离线系统介绍 |
| 4.1.2 在线系统介绍 |
| 4.2 遗传算法构建专家知识库 |
| 4.3 改进模糊关联规则挖掘 |
| 4.3.1 改进模糊关联规则挖掘标准 |
| 4.3.2 模糊关联规则筛选步骤 |
| 4.4 模糊逻辑控制器设计 |
| 4.5 应用验证及方法比较 |
| 4.6 本章小结 |
| 第5章 循环流化床辅机正常状态预测模型 |
| 5.1 引言 |
| 5.2 传统状态预测模型 |
| 5.2.1 多维时间序列预测模型 |
| 5.2.2 模糊推理预测模型 |
| 5.2.3 多元状态估计技术模型 |
| 5.3 改进多元状态估计技术模型 |
| 5.4 实验应用及模型比较分析 |
| 5.4.1 建模准备及数据预处理 |
| 5.4.2 建立多维时间序列预测模型 |
| 5.4.3 建立模糊推理预测模型 |
| 5.4.4 建立多元状态估计技术模型 |
| 5.4.5 建立改进多元状态估计技术模型 |
| 5.4.6 模型比较与分析 |
| 5.5 本章小结 |
| 第6章 循环流化床机组辅机智能预警系统 |
| 6.1 系统整体设计结构 |
| 6.2 基于可调平滑参数的状态判断 |
| 6.3 基于K-means聚类的状态判断 |
| 6.4 基于滑动窗口相似度的状态判断 |
| 6.4.1 相似度函数 |
| 6.4.2 层次分析法故障信息权重计算 |
| 6.4.3 滑动窗口法消除随机误差 |
| 6.4.4 阈值系数与故障变量标记 |
| 6.5 应用验证及性能比较 |
| 6.5.1 基于可调平滑参数的预警应用 |
| 6.5.2 基于K-means聚类的预警应用 |
| 6.5.3 基于滑动窗口相似度的预警应用 |
| 6.5.4 方法对比及整体设计方案确定 |
| 6.6 故障变量诊断及分析 |
| 6.7 故障预警灵敏度分析 |
| 6.8 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、一种自适应快速关联规则挖掘算法（论文参考文献）
- [1]物联网恶意流量检测及关联回溯技术研究与实现[D]. 何丽. 四川师范大学, 2021(12)
- [2]基于参数自适应的告警关联分析模块设计与实现[D]. 石晓丹. 北京邮电大学, 2021(01)
- [3]多维情景下的微地图用户建模[D]. 张剑. 兰州交通大学, 2021(02)
- [4]粒子群优化算法在关联规则挖掘中的研究综述[J]. 钟倩漪,钱谦,伏云发,冯勇. 计算机科学与探索, 2021(05)
- [5]基于气象条件与交通流交互作用的高速公路事故风险分析及预测[D]. 于帅. 北京交通大学, 2020(03)
- [6]面向Ethercat主从站设备的故障检测与故障预测方法研究[D]. 罗腾宇. 电子科技大学, 2020(07)
- [7]面向智能交通大数据的特征提取和流量预测算法优化与改进研究[D]. 郭洋. 华南理工大学, 2019(01)
- [8]基于概念图的自适应学习系统的研究及应用[D]. 李彦聪. 山东师范大学, 2019(01)
- [9]基于分布式框架的并行关联规则挖掘算法研究[D]. 谢南. 辽宁工程技术大学, 2019(07)
- [10]掺烧煤泥循环流化床机组运行督导与智能预警[D]. 张维. 华北电力大学(北京), 2019(01)