تکنیک کارآمدوسریع کاوش الگوها بابیشترین طول ازجریان داده

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 602

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IAUFASA02_289

تاریخ نمایه سازی: 17 اسفند 1393

چکیده مقاله:

جریان داده دنبال نامحدودی ازالمان های داده ای می باشد که بطور مداوم وبانرخ بسیارسریعی تولید میگردد کاربرد روزافزون ازجریان داده ای دربسیاری ازکاربردهای پیشرفته چون شبکه های سنسوری شبکه های مخابراتی و صفحات وب منجر به مطالعه کاوش الگوهای پرتکرار دراین نوع داده ها گردیده است مساله یافتن الگوهای پرتکرار درجریان داده ای یکی ازچالش برانگیز ترین موضوعات داده کاوی می باشد استفاده ازالگو های پرتکرار درجریانات داده ای بامحدودیت هزینه محاسباتی روبرو می باشد که این به دلیل تولید مجموعه اقلام بسیارزیادی به عنوان خروجی می باشد بنابراین پیدا نمودن مجموعه بسیارکمتری ازاقلام پرتکرار باهزینه محاسباتی کم بسیارکاراتر می باشد برای این هدف مامساله پیدا نمودن اقلام داده ای پرتکرار با بیشترین طول درجریان داده ای را به جای آن دنبال خواهیم نمود مساله پیدا نمودن الگوهای پرتکرار بابیشترین طول درجریانات داده ای به دلیل حجم بسیارزیاد داده های ورودی بسیارمفید خواهد بود دراین مقاله ما الگوریتم جدیدی مبتنی برپنجره کشویی را برای یافتن اقلام داده ای پرتکرار با بیشترین طول معرفی خواهیم نمود جریان داده ای به پنجره هایی تقسیم میگردد که هرپنجره به عنوان واحدبروز رسانی مورداستفاده قرارمیگیرد این الگوریتم ازداده های مکمل برای رسیدن به هدف استفاده مینماید تحلیل نتایج پیاده سازی شده نشان خواهد داد که الگوریتم معرفی شده کارایی بالایی هم ازنظر حافظه و هم زمان محاسباتی خواهد داشت

کلیدواژه ها:

جریان داده ، کشف مجموعه اقلام پرتکرار ، کاوش الگو ، پنجره کشویی

نویسندگان

جواد دوگانی

عضوهیئت علمی گروه کامپیوتردانشگاه فسا

فرشته رحمانی

دانشجوی کارشناسی ارشدمهندسی کامپیوتر دانشگاه علم و هنریزد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Agrawal, R., Imielinski, T., Swami, A.N., 1993. Mining association rules ...
  • Cormode, G., Hadj ieleftheriou, M., 2010. Methods for finding frequent ...
  • Wu, C., 2006. Applying frequent itemset mining to identify a ...
  • Tanbeer, S.K., Ahmed, C.F. Jeong, B.-S., Lee, Y.-K., 2009. Sliding ...
  • Chang, ].H., Lee, W.S., 2005. estWin: online data stream mining ...
  • Deypir, M., Sadreddini, M.H., 2012. A dynamic layout of sliding ...
  • Chi, Y., Wang, H., Yu, P.S, Muntz, R.R., 2006. Catch ...
  • Manku, G.S., Motwan, R., 2002. Approximate frequency counts over data ...
  • Cheng, Y.K.]., Ng, W., 2007. Maintaining frequent closed itemsets over ...
  • Leung, C.K.-S., Khan, Q.I, 2006. DSTree: a tree structure for ...
  • _ Deypir, M., Sadreddini, M.H., 2011. EclatDS:An efficient sliding window ...
  • Mozafari, B., Thakkar, H., Zaniolo, C., 2008. Verifying and mining ...
  • Yu, ].X, Chong, Z., Lu, H., Zhang, Z, Zhou, A., ...
  • to mining frequent itemsets from high speed tranSa ctional data ...
  • Zhi-]un, X., Hong, C., Li, C., 2006. An efficient algorithm ...
  • Woo, H.]., Lee, W.S, 2009. estMax: tracing maximal frequent item ...
  • Han, ]., Pei, ., Yin, Y., Mao, R., 2004. Mining ...
  • Hu, T., Suang, S.Y., Xiong, H., Fu, Q., 2008. Discovery ...
  • Y. Aumann, R. Feldman, O. Lipshtat and H. Manilla, 1999. ...
  • Li, H.-F., Lee, S.-Y., 2009. Mining frequent itemsets over data ...
  • H.F. Li, C.C. Ho, F.F. Kuo, S.Y. Lee, A new ...
  • Koh, [.-L, Lin, C.-Y., 2009. Concept shift detection for frequent ...
  • DASFAA 2009 Int. Workshops. ...
  • Sp ringer-Verlag, pp. 334-348. ...
  • Li, H.-F., Lee, S.-Y., Shan, M.-K., 2004. An efficient algorithm ...
  • Lee, D., Lee, W., 2005. Finding maximal frequent itemsets over ...
  • نمایش کامل مراجع