基于SOA的改進(jìn)型Apriori算法

王 梅，張四平

(湖南信息職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)工程學(xué)院，湖南 長(zhǎng)沙 410200)

?

基于SOA的改進(jìn)型Apriori算法

王 梅，張四平

(湖南信息職業(yè)技術(shù)學(xué)院 計(jì)算機(jī)工程學(xué)院，湖南 長(zhǎng)沙 410200)

針對(duì)傳統(tǒng)的粗糙集挖掘方法易受到頻繁項(xiàng)集中干擾項(xiàng)的影響，導(dǎo)致挖掘精度低的問(wèn)題，提出基于面向服務(wù)構(gòu)架和時(shí)頻特征提取的頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘Apriori算法.通過(guò)頻繁模式樹(shù)下的面向服務(wù)構(gòu)架SOA模型，建立頻繁項(xiàng)挖掘的頻繁模式樹(shù)，并進(jìn)行信息融合預(yù)處理，構(gòu)建頻繁項(xiàng)集關(guān)聯(lián)規(guī)則概念格，并提取數(shù)據(jù)時(shí)頻特征，實(shí)現(xiàn)Apriori算法改進(jìn).仿真結(jié)果表明，采用改進(jìn)Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集挖掘時(shí)，數(shù)據(jù)特征提取精度較高，所需時(shí)間少，挖掘精度及指標(biāo)性能均優(yōu)于傳統(tǒng)方法．

面向服務(wù)構(gòu)架；關(guān)聯(lián)規(guī)則；頻繁項(xiàng)集；Apriori算法

0 引 言

Apriori算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法，采用面向服務(wù)構(gòu)架(Service-Oriented Architecture，SOA)體系作為信息加工的概念格，用計(jì)算機(jī)模式識(shí)別方法生成頻繁項(xiàng)集，使用XML Schema實(shí)現(xiàn)頻繁項(xiàng)集挖掘.隨著Apriori 算法的改進(jìn)，被廣泛應(yīng)用在并行計(jì)算機(jī)模式識(shí)別、機(jī)械故障診斷、決策制定和審計(jì)跟蹤等領(lǐng)域，經(jīng)典Apriori挖掘算法采用多處理器進(jìn)行關(guān)聯(lián)規(guī)則特征檢測(cè)，結(jié)合面向服務(wù)架構(gòu)SOA技術(shù)尋找頻繁項(xiàng)集[1-3]，獲得用戶行為特征信息.面向服務(wù)構(gòu)架SOA技術(shù)是采用分布式傳感器節(jié)點(diǎn)進(jìn)行數(shù)據(jù)感知和通信，根據(jù)需求通過(guò)網(wǎng)絡(luò)將應(yīng)用程序的耦合服務(wù)構(gòu)架進(jìn)行特征配準(zhǔn)和分布式部署[4]，實(shí)現(xiàn)更迅速、更可靠的數(shù)據(jù)傳輸.在面向服務(wù)構(gòu)架網(wǎng)絡(luò)模型中，通過(guò)頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘，可提高信息提取和數(shù)據(jù)分析能力，因此，研究基于面向服務(wù)構(gòu)架SOA的Apriori算法具有重要意義[5]．文獻(xiàn)[6]提出基于關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集挖掘算法，采用證據(jù)理論進(jìn)行關(guān)聯(lián)規(guī)則的特征融合和線性特征分解，通過(guò)后綴項(xiàng)表的構(gòu)建，保留面向服務(wù)構(gòu)架頻繁項(xiàng)集的完整信息，提高數(shù)據(jù)挖掘精度，但是該算法在進(jìn)行關(guān)聯(lián)規(guī)則特征空間重構(gòu)中受到噪聲干擾導(dǎo)致挖掘精度低，且計(jì)算開(kāi)銷較大，實(shí)時(shí)性不好；文獻(xiàn)[7]提出基于關(guān)聯(lián)規(guī)則置信度約束控制的Apriori算法，在支持度大于給定最小支持度下，進(jìn)行閾值模型的構(gòu)建，通過(guò)判決函數(shù)實(shí)現(xiàn)對(duì)頻繁項(xiàng)集規(guī)則提取與概念格構(gòu)建，提高關(guān)聯(lián)規(guī)則的目標(biāo)匹配性能，數(shù)據(jù)挖掘細(xì)節(jié)特征分解性能較高，置信度區(qū)間內(nèi)目標(biāo)信息挖掘特征較為明顯，但是該算法隨著干擾數(shù)據(jù)的增大，挖掘環(huán)境的信噪比降低，導(dǎo)致頻繁項(xiàng)集挖掘的可靠性和收斂性不好；文獻(xiàn)[8]提出基于FP-Growth的粗糙集挖掘方法，該算法會(huì)隨著頻繁項(xiàng)集中干擾項(xiàng)的增多，關(guān)聯(lián)規(guī)則挖掘精度下降，不適合大范圍使用．

因此，提出基于面向服務(wù)構(gòu)架和時(shí)頻特征提取的改進(jìn)Apriori算法，首先給出頻繁模式樹(shù)下的面向服務(wù)構(gòu)架模型，并進(jìn)行頻繁項(xiàng)集關(guān)聯(lián)規(guī)則概念格構(gòu)建和數(shù)據(jù)特征分析，采用時(shí)頻特征提取方法進(jìn)行數(shù)據(jù)特征提取及Apriori算法的改進(jìn)，最后通過(guò)仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試.

1 頻繁模式樹(shù)下的面向服務(wù)構(gòu)架模型及預(yù)處理

1.1 SOA模型

為了實(shí)現(xiàn)對(duì)關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的挖掘，本文在面向服務(wù)構(gòu)架SOA模型下進(jìn)行Apriori算法的改進(jìn)設(shè)計(jì)，結(jié)合候選挖掘頻繁項(xiàng)集的時(shí)頻特征，進(jìn)行頻繁模式樹(shù)的先驗(yàn)概率密度信息提取和數(shù)據(jù)挖掘，假設(shè)X和G為屬性集合，M為D和I之間的三元組，頻繁項(xiàng)集產(chǎn)生格結(jié)構(gòu)代替每個(gè)結(jié)點(diǎn)的特征參量β，進(jìn)行頻繁模式樹(shù)構(gòu)建．

定義1 (頻繁模式樹(shù))定義概念格上的規(guī)則子集在時(shí)頻空間上1×k維最小支持度minsup向量為D，在關(guān)聯(lián)規(guī)則提取格結(jié)構(gòu)下，通過(guò)SOA構(gòu)架，進(jìn)行數(shù)據(jù)項(xiàng)x的相空間重構(gòu)，在重構(gòu)的相空間中，構(gòu)建頻繁模式樹(shù)Vx，其中，重構(gòu)的特征軌跡滿足V(1，i)=p，且頻繁模式樹(shù)的分岔樹(shù)A，B同時(shí)滿足以下兩個(gè)條件：

(1)

(2)

根據(jù)上述約束條件，構(gòu)建頻繁模式樹(shù)下面向服務(wù)構(gòu)架SOA模型，抽取高密度區(qū)域置信度因素的條件概率P(A|B)，得到置信度為

(3)

由上述定義，可以得到m維屬性分類下，頻繁結(jié)點(diǎn)屬性值的集合階數(shù)為p,全部規(guī)則為ai(t),則全部規(guī)則屬性約束下，頻繁項(xiàng)挖掘的干擾項(xiàng)n(t)可表示為

(4)

在頻繁項(xiàng)挖掘的樣本事務(wù)數(shù)據(jù)庫(kù)D中，通過(guò)候選概念格結(jié)點(diǎn)得到事件d的先驗(yàn)概率P(d)，掃描分枝概念樹(shù)的候選特征參量a1(t)和a2(t)由下式確定：

(5)

依次類推，當(dāng)m(t)與θ(t)互質(zhì)，相關(guān)結(jié)點(diǎn)的最小計(jì)數(shù)值滿足N≤Mm(t)θ(t)，且M>4τ，頻繁項(xiàng)挖掘的相位信息為θ1，θ2，...，θq，此時(shí)頻繁模式樹(shù)下的面向服務(wù)構(gòu)架SOA模型屬性集為S={n1}，所有候選結(jié)點(diǎn)組合滿足，表明對(duì)任意1≤i≤L時(shí)間復(fù)雜度ni(1≤i≤L)存在唯一解[9-15]．

定義2 候選概念格設(shè)置.給定頻繁模式樹(shù)下，面向服務(wù)構(gòu)架SOA模型的冗余規(guī)則S=(U，A，V，f)，其中，U為冗余規(guī)則論域，A為相關(guān)冗余結(jié)點(diǎn)的屬性集，設(shè)Θ為頻繁概念格規(guī)則提取函數(shù)m:2Θ→[0，1]，保留項(xiàng)集對(duì)應(yīng)的父結(jié)點(diǎn)滿足下列條件：

(6)

(7)

(8)

(9)

在C4.5決策樹(shù)模型下，進(jìn)行頻繁項(xiàng)目列表的減枝處理，剔除相關(guān)冗余結(jié)點(diǎn)，此時(shí)滿足時(shí)間復(fù)雜度，U在等價(jià)關(guān)系C下可劃分為E=U/RC={Ei|i=1，2，…，n}，頻繁概念格規(guī)則提取的事務(wù)TID為S=(U，C∪D，V，f)，其中，C和D分別為條件屬性和決策屬性.

1.2 數(shù)據(jù)預(yù)處理

根據(jù)F1構(gòu)造頻繁項(xiàng)挖掘的頻繁模式樹(shù)(FP-tree)，設(shè)置FP-tree上的結(jié)點(diǎn)計(jì)數(shù)為count，任意分枝Ti(i=1，2…，m，m為分枝個(gè)數(shù))的子集為Ni(Ni≥1)，相關(guān)結(jié)點(diǎn)最小計(jì)數(shù)分枝長(zhǎng)度的序貫采樣為O(Ni)，頻繁項(xiàng)目列表簇間數(shù)據(jù)傳輸?shù)淖疃搪窂酵ㄟ^(guò)調(diào)節(jié)因子λ(k)進(jìn)行自適應(yīng)修正，在重建的特征子空間中得到頻繁項(xiàng)目列表調(diào)節(jié)因子為

(10)

其中，c(k)=tr[N(k)]/tr[C(k)]，表示頻繁項(xiàng)集關(guān)聯(lián)規(guī)則解析特征模型，滿足

(11)

其中

(12)

(13)

(14)

其中，Bi(k)為量化初始狀態(tài)x(0)的均值Dij(k)為量化測(cè)量值方差，當(dāng)w(k)和ui(k)，i=1，2，…，N相對(duì)獨(dú)立時(shí)，頻繁項(xiàng)集關(guān)聯(lián)規(guī)則到達(dá)融合中心的矢量特征為xiri(x).則得到頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘的信息融合動(dòng)態(tài)方程為

(15)

式中，rj(x)為融合誤差，xi為幅值.采用后綴項(xiàng)表構(gòu)造map，進(jìn)行數(shù)據(jù)融合模型的構(gòu)建，提取一組頻繁項(xiàng)集，確定在某一時(shí)刻的頻率分量，得到數(shù)據(jù)傳送量為

(16)

其中，后綴項(xiàng)表函數(shù)g(Ij)定義為

(17)

綜上所述可知，進(jìn)行后綴項(xiàng)表構(gòu)造及信息融合預(yù)處理，為實(shí)現(xiàn)基于SOA的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)．

2 頻繁項(xiàng)集挖掘算法

2.1 頻繁項(xiàng)集時(shí)頻特征提取

在上述進(jìn)行數(shù)據(jù)結(jié)構(gòu)分析和信息融合預(yù)處理的基礎(chǔ)上，進(jìn)行算法改進(jìn)設(shè)計(jì)，通過(guò)研究基于面向服務(wù)構(gòu)架SOA的Apriori算法，實(shí)現(xiàn)頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘，提高信息提取和數(shù)據(jù)分析能力.傳統(tǒng)方法采用基于FP-Growth的粗糙集挖掘方法，當(dāng)頻繁項(xiàng)集中干擾項(xiàng)的增加時(shí)，挖掘精度會(huì)降低[16-20].因此，提出基于面向服務(wù)構(gòu)架和時(shí)頻特征提取的頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘Apriori算法.根據(jù)時(shí)頻分辨率正則訓(xùn)練遷移法則，建立頻繁項(xiàng)集關(guān)聯(lián)規(guī)則數(shù)據(jù)集局域化矢量模型。假設(shè)當(dāng)數(shù)據(jù)集局域化先驗(yàn)數(shù)據(jù)xm+1的決策屬性取值為dm+1=d1，引入相關(guān)系數(shù)法進(jìn)行虛假分量識(shí)別，由此計(jì)算出粗糙集虛假分量為

(18)

(19)

若時(shí)頻特征提取過(guò)程是一個(gè)對(duì)規(guī)則項(xiàng)進(jìn)行局部正交分解的過(guò)程，則通過(guò)特征空間重構(gòu)，得到基于SOA的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘時(shí)的時(shí)頻特征，即

(20)

(21)

其中，虛假分量L與原規(guī)則項(xiàng)頻繁集T的相關(guān)系數(shù)為

(22)

在此基礎(chǔ)上，采用固有模態(tài)函數(shù)分解變換，對(duì)關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘目標(biāo)函數(shù)進(jìn)行求導(dǎo)，得到優(yōu)化頻繁項(xiàng)集挖掘的目標(biāo)函數(shù)滿足

(23)

根據(jù)上述時(shí)頻特征提取結(jié)果可知，虛假分量L與原頻繁項(xiàng)集T的相關(guān)性很小，采用數(shù)據(jù)結(jié)構(gòu)子空間進(jìn)行重建，結(jié)合時(shí)頻特征提取結(jié)果，能較好地實(shí)現(xiàn)Apriori算法改進(jìn)．

2.2 頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘Apriori算法

假設(shè)，頻繁項(xiàng)集關(guān)聯(lián)規(guī)則的訓(xùn)練集為{xi，yi}，分解得到IMF分量線性函數(shù)為

(24)

其中：w為各分量的權(quán)值向量；b為頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘的偏置量.將ei與設(shè)定門限e進(jìn)行比較，得到閉頻繁項(xiàng)挖掘?qū)傩訶的增益函數(shù)，且滿足約束優(yōu)化問(wèn)題

(25)

式中，C為基核函數(shù)；wi為粗糙集支持度.將上述約束優(yōu)化問(wèn)題轉(zhuǎn)化為計(jì)算最小支持度問(wèn)題，得到基于時(shí)頻特征提取的閉頻繁項(xiàng)挖掘一致性集成模型：

(26)

上式為一個(gè)Lagrange函數(shù)；αi為反饋均衡串?dāng)_抑制算子.基于線性均衡模型進(jìn)行數(shù)據(jù)挖掘傳輸隨機(jī)序列迭代，迭代函數(shù)為

(27)

其中

(28)

當(dāng)數(shù)據(jù)碼元速率一定的情況下，用擴(kuò)展后的序列去調(diào)制載波，在迭代步長(zhǎng)足夠的情況下，采用判決反饋均衡實(shí)現(xiàn)時(shí)間窗口重排，得到頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘的傳遞函數(shù)為

(29)

(30)

沿著中心路由遍歷每條事務(wù)模式路由T，得到Apriori算法的特征空間協(xié)方差矩陣為

(31)

在m維屬性分類中構(gòu)造閉頻繁模式的鄰居簇頭，得到特征挖掘的相關(guān)性函數(shù)滿足為

(32)

3 實(shí)驗(yàn)分析與性能測(cè)試

為了測(cè)試改進(jìn)Apriori算法的性能，進(jìn)行仿真實(shí)驗(yàn)對(duì)比分析，實(shí)驗(yàn)建立在面向服務(wù)構(gòu)架SOA的Hadoop平臺(tái)上，硬件環(huán)境為：CPU Inter Pentium 4，內(nèi)存為2G.實(shí)驗(yàn)數(shù)據(jù)集采用breast cancer關(guān)聯(lián)規(guī)則閉頻繁項(xiàng)數(shù)據(jù)集，頻繁項(xiàng)集關(guān)聯(lián)規(guī)則的采樣樣本時(shí)間間隔為0.25 s，時(shí)長(zhǎng)T=0.1 s，采樣點(diǎn)數(shù)為100.采用時(shí)頻特征提取方法合成數(shù)據(jù)集testdata(DC15000TB8000RT100)，得到測(cè)試數(shù)據(jù)集合.根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，進(jìn)行仿真實(shí)驗(yàn)分析.首先進(jìn)行數(shù)據(jù)信息采樣，構(gòu)造頻繁項(xiàng)挖掘的FP-tree，得到原始的關(guān)聯(lián)規(guī)則頻繁項(xiàng)集特征分布，如圖1所示．

圖 1 關(guān)聯(lián)規(guī)則頻繁項(xiàng)集特征分布 圖 2 兩種算法下閉頻繁項(xiàng)數(shù)據(jù)集 的Apriori分枝結(jié)果Fig.1 Characteristics of frequent itemsets distributed association rules Fig.2 Closed frequent items under two kinds of algorithm Apriori branch of data sets

以上述采集關(guān)聯(lián)規(guī)則頻繁項(xiàng)集為測(cè)試對(duì)象，進(jìn)行Apriori分離處理，分別采用本文方法和傳統(tǒng)基于關(guān)聯(lián)規(guī)則置信度約束控制的Apriori方法，得到對(duì)閉頻繁項(xiàng)數(shù)據(jù)集的Apriori分離結(jié)果，如圖2所示．

圖 3 不同算法的挖掘時(shí)間對(duì)比Fig.3 Different algorithms of mining time

從圖2可見(jiàn)，采用本文方法進(jìn)行關(guān)聯(lián)規(guī)則頻繁項(xiàng)集挖掘，相比傳統(tǒng)方法，對(duì)數(shù)據(jù)的分簇挖掘性能較好，受到的干擾較小，性能較高.為了定量對(duì)比算法性能，分別采用本文方法(PFP-P)和傳統(tǒng)方法(文獻(xiàn)[4]給出的PFP算法，文獻(xiàn)[8]對(duì)文獻(xiàn)[4]改進(jìn)的PFP-C算法)進(jìn)行對(duì)比，以挖掘時(shí)間為測(cè)試指標(biāo)，得到仿真結(jié)果，如圖3所示．

從圖3可見(jiàn)，采用本文改進(jìn)的Apriori算法進(jìn)行關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集挖掘，消耗時(shí)間最少，挖掘加速比較高，相反，PFP算法及PFP-C算法的挖掘加速比和挖掘時(shí)間均較差，性能低于改進(jìn)方法，由此說(shuō)明，改進(jìn)方法性能較好，具有一定的優(yōu)勢(shì)．

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)Apriori算法挖掘效率低，誤差大的問(wèn)題,提出基于面向服務(wù)構(gòu)架和時(shí)頻特征提取的頻繁項(xiàng)集關(guān)聯(lián)規(guī)則挖掘Apriori算法，通過(guò)頻繁模式樹(shù)下的面向服務(wù)構(gòu)架SOA模型，建立頻繁項(xiàng)挖掘的FP-tree，并進(jìn)行信息融合預(yù)處理，構(gòu)建頻繁項(xiàng)集關(guān)聯(lián)規(guī)則概念格和數(shù)據(jù)時(shí)頻特征提取，實(shí)現(xiàn)Apriori算法改進(jìn).研究結(jié)果表明，采用改進(jìn)方法時(shí)其挖掘性能較好，耗時(shí)等測(cè)試指標(biāo)均優(yōu)于傳統(tǒng)方法，展示了較好的應(yīng)用價(jià)值．

[1] 尚朝軒，王品，韓壯志，等. 基于類決策樹(shù)分類的特征層融合識(shí)別算法[J]. 控制與決策，2016，31(6):1009-1014．

SHANG Chaoxuan，WANG Pin，HAN Zhuangzhi，et al. Feature-level fusion recognition algorithm based on analogy decision tree classification[J]. Control and Decision，2016，31(6):1009-1014．

[2] IHSNA A Kareem，MEHDI G Duaimi. Improved accuracy for decision tree algorithm based on unsupervised discretization[J]. International Journal of Computer Science and Mobile Computing，2014，3(6):176-183．

[3] PEI Jian，HAN Jiawei，MAO Runying. CLOSET：An efficient algorithm for mining frequent closed itemsets[J]. Acm Sigmod Workshop on Research Issues in Data Mining and Knowledge Discovery，2000，4(2):21-30．

[4] CHONG F T，HECK M J R，RANGANATHAN P，et al. Data center energy efficiency：improving energy efficiency in data centers beyond technology scaling[J]. IEEE Design & Test，2014，31(1):93-104．

[5] 郎振紅. 基于云計(jì)算自主學(xué)習(xí)平臺(tái)的設(shè)計(jì)[J]. 電子設(shè)計(jì)工程，2016，24(1):35-39．

LANG Zhenhong. A design of self-study’s platform system based on cloud computing[J]. Electronic Design Engineering,2016，24(1):35-39．

[6] MORENO Salinas D，PASCOAL A M，ARANDA J. Optimal sensor placement for multiple target positioning with range-only measurements in two-dimensional scenarios[J]. Sensors，2013，13(8):10674-10710．

[7] LEE W，BANG H，LEEGHIM H. Cooperative localization between small UAVs using a combination of heterogeneous sensors[J]. Aerospace Science and Technology，2013，27(1):105-111．

[8] KARLSSON J，ROWE W，XU L，et al. Fast missing-data IAA with application to notched spectrum SAR[J]. IEEE Transactions on Aerospace Electronic Systems，2014，50(2):959-971．

[9] PARK H R，LI Jie. Sparse covariance-based high resolution time delay estimation for spread spectrum signals[J]. Electronics Letters，2015，51(2):155-157．

[10] WANG Lin，ZHANG Fa，ARJONA Aroca J，et al. Green DCN：A general framework for achieving energy efficiency in data center networks[J]. IEEE Journal on Selected Areas in Communications，2014，32(1):4-15．

[11] 虞飛，陶建武，陳誠(chéng)，等.基于稀疏協(xié)方差矩陣迭代的單快拍氣流速度估計(jì)算法[J].電子與信息學(xué)報(bào)，2015，37(3):574-579．

YU Fei,TAO Jianwu，CHEN Cheng,et al.Single snapshot airspeed estimation based on sparse covariance matrix iteration[J].Journal of Electronics & Information Technology,2015，37(3):574-579．

[12] 周鐳，單鋒，劉鵬，等. 基于供應(yīng)鏈的企業(yè)信息化評(píng)價(jià)模型的建立[J]. 西安工程大學(xué)學(xué)報(bào)，2015，29(6):772-779．

ZHOU Lei，SHAN Feng，LIU Peng，et al. The establishment of the enterprise informatization evaluation model based on supply chain[J]. Journal of Xi’an Polytechnic University，2015，29(6):772-779．

[13] KALEVA J，TOLLI A，JUNTTI M. Weighted sum rate maximization for interfering broadcast channel via successive convex approximation[C]//IEEE Global Communications Conference， Anaheim，2012：3838-3843．

[14] LIU Heng，DING Zhiguo ，F(xiàn)AN Pingzhi，et al. Precoding design for interference suppression in multi-cell multi-user networks[J]. IET Communications，2014，8(9):1534-1540．

[15] RATHEESH M，DAVID M J. System-level performance of interference alignment[J]. IEEE Transactions on Wireless Communications，2015，14(2):1060-1070．

[16] GENG Zhe，DENG Hai，HIMED B. Adaptive radar beamforming for interference mitigation in radar-wireless spectrum sharing[J]. IEEE Signal Processing Letters，2015，22(4):484-488．

[17] YANG Yunchuan，SUN Cong，ZHAO Hui，et al. Algorithms for secrecy guarantee with null space beamforming in two-way relay networks[J]. IEEE Transactions on Signal Processing，2014，62(8):2111-2126．

[18] 吳鴻華，穆勇，屈忠鋒，等. 基于面板數(shù)據(jù)的接近性和相似性關(guān)聯(lián)度模型[J]. 控制與決策，2016，31(3):555-558．

WU Honghua，MU Yong，QU Zhongfeng，et al. Similarity and nearness relational degree based on panel data[J]. Control and Decision，2016，31(3):555-558．

[19] 閻芳，李元章，張全新，等. 基于對(duì)象的OpenXML復(fù)合文件去重方法研究[J]. 計(jì)算機(jī)研究與發(fā)展，2015，52(7):1546-1557

YAN Fang，LI Yuanzhang，ZHANG Quanxin，et al. Object based data de-duplication method for open XML compound files[J]. Journal of Computer Research and Development，2015，52(7):1546-1557．

編輯、校對(duì)：師 瑯

Improved Apriori algorithm based on SOA

WANG Mei， ZHANG Siping

(School of Computer Engineering， Hunan College of Information， Changsha 410200， China)

In the view of the traditional method of rough set mining method easily affected by frequent items focused distractions， leading to the problem of low digging precision, based on service oriented architecture and time-frequency feature extraction,Apriori algorithm for mining association rules is proposed.Through frequent pattern tree of service-oriented architecture SOA model， the FP-tree of frequent items mining is set up， information fusion is preprocessed， concept lattice and association rule are built and data frequent item sets time-frequency feature is extracted， achieving improved Apriori algorithm. The simulation results show that with the improved algorithm the data feature extraction has high precision， less time required; mining precision and performance indicators are better than those of traditional methods．

service oriented architecture; association rule; frequent item set; apriori algorithm

1674-649X(2016)04-0487-07

10.13338/j.issn.1674-649x.2016.04.014

2016-03-16

湖南省教育廳高校研究基金資助項(xiàng)目(15C0980)

王梅(1978—)，女，湖南省長(zhǎng)沙市人，湖南信息技術(shù)學(xué)院講師，研究方向?yàn)榇髷?shù)據(jù)、數(shù)據(jù)處理.

E-mail:siping_zhang@sina.com

王梅，張四平.基于SOA的改進(jìn)型Apriori算法[J].西安工程大學(xué)學(xué)報(bào)，2016，30(4)：487-493.

WANGMei，ZHANGSiping.ImprovedApriorialgorithmbasedonSOA[J].JournalofXi′anPolytechnicUniversity,2016，30(4)：487-493.

TP

A