论文部分内容阅读
传统的挖掘模型未能有效提取时序数据的特征,导致计算开销较大,挖掘准确率以及效率偏低。为此,研究结合卷积神经网络设计并组建一种新的时序数据关联规则挖掘模型。通过连续模板匹配技术分析时序数据的分布式数据结构,然后结合匹配相关检测技术对时序数据展开融合处理,通过频繁项检测提取其中的关联规则特征。对提取的关联规则通过CNN分类器进行属性划分,结合特征压缩方法对分类输出的时序数据进行降维处理,再利用模糊聚类算法构建时序数据关联规则挖掘模型。仿真结果表明:模型能够有效降低挖掘过程的计算开销,并提升了挖掘结果的准