面向產(chǎn)品持續(xù)質(zhì)量控制的數(shù)據(jù)挖掘技術與應用研究.pdf

1、知識是制造企業(yè)最有價值的資產(chǎn)。數(shù)據(jù)挖掘能夠從大量的各種業(yè)務數(shù)據(jù)中提煉出有價值的知識，從而極大促進了制造技術和制造模式的發(fā)展。關聯(lián)規(guī)則挖掘是一種最重要的數(shù)據(jù)挖掘技術之一，它可以有效地發(fā)現(xiàn)數(shù)據(jù)項之間的關聯(lián)，并且規(guī)則的表達形式簡潔，易于理解和解釋，因此關聯(lián)規(guī)則挖掘算法的研究具有重要的理論意義和廣闊的應用前景，一直是數(shù)據(jù)挖掘領域研究的熱點。本文對關聯(lián)規(guī)則挖掘關鍵技術及其在產(chǎn)品持續(xù)質(zhì)量改善中的應用做了深入的研究，主要的創(chuàng)新性工作包括:
　　

2、(1)為了構建條件FP-tree，F(xiàn)P-growth算法必須掃描數(shù)據(jù)庫兩次，這極大制約了它的應用。針對這一局限性，本文提出一種新穎的FP陣列技術，直接從FP陣列得到頻繁項的計數(shù)，從而極大減少了遍歷FP-tree的需要。本文將FP-tree數(shù)據(jù)結構與FP陣列有效地結合起來，分別提出了挖掘頻繁項集和閉頻繁項集的新算法。實驗評測表明這兩種算法在運行時間、內(nèi)存消耗和可擴展性方面都具有穩(wěn)定優(yōu)良的性能，尤其對于稀疏數(shù)據(jù)庫。
　　(2) Apr

3、iori算法和FP-growth算法都是以批處理方式處理所有事務，無法滿足動態(tài)更新關聯(lián)規(guī)則的需要。本文在FUFP算法的基礎上提出了一種基于次頻繁項的改進算法，在算法中引入兩個支持度閾值:閾值上限和閾值下限。如果處理的新事務數(shù)沒有達到一定的值（由兩個支持度閾值和數(shù)據(jù)庫的規(guī)模決定），該算法就不需要重新掃描原數(shù)據(jù)庫，從而提高了關聯(lián)規(guī)則更新的效率。實驗評測表明數(shù)據(jù)庫的規(guī)模越大，算法的性能優(yōu)勢越明顯。
　　(3)傳統(tǒng)關聯(lián)規(guī)則挖掘算法不能同時

4、處理多種類型的數(shù)據(jù)，無法適應多樣性客戶需求數(shù)據(jù)挖掘的需要。針對這一局限性，本文首先給出了各種數(shù)據(jù)類型的定義以及挖掘的規(guī)則模式的定義，提出用相似度統(tǒng)計項目的支持度計數(shù)，然后提出一種基于模糊集的新方法以統(tǒng)一的方式處理各種數(shù)據(jù)類型，最后提出一種基于Apriori的模糊關聯(lián)規(guī)則挖掘算法，并將其應用到電動自行車問卷調(diào)查數(shù)據(jù)的關聯(lián)分析。
　　(4)以上述研究工作為基礎，本文開發(fā)了一個產(chǎn)品持續(xù)質(zhì)量改善信息系統(tǒng)(ARMS)，其目標是以低成本、低資