基于解耦概要圖的圖數據頻繁模式挖掘算法

李 潔

（馬鞍山學院，安徽 馬鞍山 243000）

0 引言

隨著圖數據頻繁模式分布數據結構的發(fā)展，采用圖數據頻繁模式數據結構方法進行數據庫構造，提高數據的存儲和檢測能力.在進行圖數據頻繁模式數據庫設計中，需要進行圖數據頻繁模式挖掘，建立圖數據頻繁模式的挖掘模型.結合圖模式結構分析方法，進行圖數據頻繁模式挖掘，研究圖數據頻繁模式挖掘方法在實現圖數據頻繁模式數據庫設計和數據信息檢測中具有重要意義［1］.對圖數據頻繁模式挖掘是建立在對圖數據頻繁項檢測的基礎上，采用閉頻繁項特征分析方法，建立圖數據頻繁模式挖掘的圖模式解耦模型.但傳統(tǒng)方法進行圖數據頻繁模式挖掘的自適性不高，因此，提出了基于解耦概要圖的圖數據頻繁模式挖掘算法.構建閉頻繁項特征分析模型，以MySQL為數據庫進行圖數據頻繁模式數據可視化系統(tǒng)構造［2］，實現圖數據頻繁模式挖掘.首先建立圖數據頻繁模式挖掘的模糊相關性融合模型，采用解耦概要圖檢測方法進行圖數據頻繁模式挖掘過程中的特征提取，其中，引入了關聯規(guī)則進行數據的處理，以實現深度挖掘數據的信息，然后，提取圖數據頻繁模式的模糊屬性特征，利用STARMA（1，1）統(tǒng)計分析模型，實現了尋優(yōu)控制，建立圖數據頻繁模式挖掘的特征提取和分類模型，最后實驗分析結果表明，本文方法能夠在一定程度上提高圖數據頻繁模式挖掘能力.

1 圖數據頻繁模式數據檢測和特征分析

1.1 圖數據頻繁模式數據檢測

為了實現基于解耦概要圖的圖數據頻繁模式挖掘，需要采用解耦概要圖模式分析方法進行圖數據頻繁模式特征檢測，根據圖數據頻繁模式數據的混合分類屬性進行相似度分析，提取圖數據頻繁模式數據的數值屬性特征和分類特征，提取圖數據頻繁模式數據的數值屬性特征和分類屬性特征，完成圖數據頻繁模式數據優(yōu)化挖掘［3］，采用點、線、面狀要素聯合分析方法，建立圖數據頻繁模式數據的信息屬性鏈模型，建立圖數據頻繁模式數據挖掘的模糊決策特征分布函數，采用自適應尋優(yōu)方法，進行圖數據頻繁模式數據的優(yōu)化挖掘和信息檢測.建立圖數據頻繁模式數據的屬性鏈表，得到圖數據頻繁模式數據的空間分布結構模型如圖1所示.

圖1 圖數據頻繁模式數據的空間分布結構模型Fig. 1 Spatial distribution structure model of graph data frequent pattern data

根據圖1所示的圖數據頻繁模式數據分析模型，采用分塊區(qū)域融合方法檢測模式信息，建立圖數據頻繁模式信息特征分布集，采用多元回歸分析方法［4］，建立模糊信息融合模型，進行圖數據頻繁模式挖掘的自適應學習，建立圖數據頻繁模式挖掘的量化分析模型，得到圖數據頻繁模式挖掘的統(tǒng)計函數為：

式中，ζ表示挖掘評價的約束指標參量集，R為圖數據頻繁模式挖掘的解耦特征量，結合模糊度檢測方法，進行圖數據頻繁模式挖掘.

1.2 圖數據頻繁模式特征檢測

根據圖數據頻繁模式挖掘的模糊特征分布集，對圖數據頻繁模式數據進行自適應挖掘［5］，圖數據頻繁模式挖掘的更新規(guī)則如式（3）：

其中

式中，λ表示圖數據頻繁模式挖掘的大數據模糊度分布因子，F?μ為統(tǒng)計特征分量，ωw為自適應加權系數，結合自相關特征檢測方法［6］進行圖數據頻繁模式挖掘的統(tǒng)計分析，建立圖數據頻繁模式挖掘的模糊相關性融合模型，結合統(tǒng)計分析方法進行圖數據頻繁模式挖掘的圖模型設計，構建圖數據頻繁模式挖掘的統(tǒng)計分析模型的表達式為：

建立圖數據頻繁模式挖掘的關聯規(guī)則分布集RN與XN，得到圖數據頻繁模式的關聯分布關系為：

2 圖數據頻繁模式挖掘優(yōu)化

2.1 解耦概要圖分析

通過挖掘圖數據頻繁模式數據的語義關聯特征量［7］，結合模糊屬性特征檢測方法，實現圖數據頻繁模式數據集統(tǒng)計的檢測，結合自相關特征檢測方法［8］進行圖數據頻繁模式挖掘的統(tǒng)計分析，建立圖數據頻繁模式挖掘的模糊相關性融合模型，建立圖數據頻繁模式數據的特征分割模型，計算式定義為：

其中，wij為第i個點的圖數據頻繁模式數據挖掘的全局加權值，構建圖數據頻繁模式數據的STARMA（1，1）統(tǒng)計分析模型，進行圖數據頻繁模式數據挖掘的尋優(yōu)控制，其計算式為：

其中，di和dj為圖數據頻繁模式數據挖掘的模糊規(guī)則特征量，采用統(tǒng)計信息分析方法，建立圖數據頻繁模式數據挖掘關聯特征分布集［9］，表示為：

其中

式中，NB為解耦概要圖的閉頻繁項集，NS為語義分割域S中的解耦概要圖分布域.

2.2 圖數據頻繁模式挖掘輸出

采用大數據融合方法進行圖數據頻繁模式挖掘的模式匹配和信息融合聚類，在特征點i處，得到t時刻的圖數據頻繁模式分布集表示為(w1j,w2j,…,wtj) ，其中，t表示為圖數據頻繁模式數據的編號數目，wtj為圖數據頻繁模式數據挖掘的加權系數，通過語義動態(tài)特征分割方法，得到標準誤差系數為：

其中，maxlFreqij為圖數據頻繁模式數據挖掘尋優(yōu)的模糊約束特征量.建立圖數據頻繁模式數據挖掘的存儲模塊和信息查詢模塊，采用解耦概要圖檢測方法進行圖數據頻繁模式挖掘過程中的特征提取［10］，建立圖數據頻繁模式挖掘的特征提取和分類模型，得到挖掘輸出：

式中

采用圖數據頻繁模式數據特征提取方法進行圖數據頻繁模式挖掘.

3 仿真實驗與結果分析

為了驗證本文方法的應用性能，在Matlab仿真平臺上進行實驗，對圖數據頻繁模式采樣的傳感節(jié)點數為80，頻繁項分布集為80，圖數據頻繁模式數據分布的空間維數為12，信息采樣的時延為1.4 ms，根據上述仿真參數設定，進行圖數據頻繁模式數據挖掘，得到數據采樣的時域分布（圖2）.

圖2 圖數據頻繁模式挖掘時域分布Fig. 2 Time domain distribution of graph data frequent pattern mining

以圖2所示的數據為研究對象，采用大數據融合方法進行圖數據頻繁模式挖掘的模式匹配和信息融合聚類，根據信息融合結果實現對圖數據頻繁模式挖掘優(yōu)化，得到挖掘輸出（圖3）.

圖3 圖數據頻繁模式數據挖掘輸出Fig. 3 Graph data frequent pattern data mining output

分析圖3得知，本文方法的特征聚斂性較好.測試不同方法數據挖掘的精度，結果見表1.分析表1得知，本文方法的精度較高，平均為95.94%，而文獻［4］方法、文獻［6］方法和文獻［7］方法的平均精度分別為90.2%、89.5%和84.34%.由此可見，本文方法的數據挖掘精度較高，優(yōu)于其他方法，具有更好的應用性能.

表1 數據挖掘的精度對比Tab. 1 Precision comparison of data mining

4 結語

筆者提出了基于解耦概要圖的圖數據頻繁模式挖掘算法.采用多元回歸分析方法，建立模糊信息融合模型，進行圖數據頻繁模式挖掘的自適應學習，結合統(tǒng)計分析方法進行圖數據頻繁模式挖掘的圖模型設計，通過語義動態(tài)特征分割方法，建立圖數據頻繁模式數據挖掘的存儲模塊和信息查詢模塊，采用解耦概要圖檢測方法進行圖數據頻繁模式挖掘過程中的特征提取.研究得知，采用本文方法進行圖數據頻繁模式挖掘的自適應性較好，挖掘精度較高.