基于解耦概要图的图数据频繁模式挖掘算法

李 洁

（马鞍山学院，安徽 马鞍山 243000）

0 引言

随着图数据频繁模式分布数据结构的发展，采用图数据频繁模式数据结构方法进行数据库构造，提高数据的存储和检测能力.在进行图数据频繁模式数据库设计中，需要进行图数据频繁模式挖掘，建立图数据频繁模式的挖掘模型.结合图模式结构分析方法，进行图数据频繁模式挖掘，研究图数据频繁模式挖掘方法在实现图数据频繁模式数据库设计和数据信息检测中具有重要意义［1］.对图数据频繁模式挖掘是建立在对图数据频繁项检测的基础上，采用闭频繁项特征分析方法，建立图数据频繁模式挖掘的图模式解耦模型.但传统方法进行图数据频繁模式挖掘的自适性不高，因此，提出了基于解耦概要图的图数据频繁模式挖掘算法.构建闭频繁项特征分析模型，以MySQL为数据库进行图数据频繁模式数据可视化系统构造［2］，实现图数据频繁模式挖掘.首先建立图数据频繁模式挖掘的模糊相关性融合模型，采用解耦概要图检测方法进行图数据频繁模式挖掘过程中的特征提取，其中，引入了关联规则进行数据的处理，以实现深度挖掘数据的信息，然后，提取图数据频繁模式的模糊属性特征，利用STARMA（1，1）统计分析模型，实现了寻优控制，建立图数据频繁模式挖掘的特征提取和分类模型，最后实验分析结果表明，本文方法能够在一定程度上提高图数据频繁模式挖掘能力.

1 图数据频繁模式数据检测和特征分析

1.1 图数据频繁模式数据检测

为了实现基于解耦概要图的图数据频繁模式挖掘，需要采用解耦概要图模式分析方法进行图数据频繁模式特征检测，根据图数据频繁模式数据的混合分类属性进行相似度分析，提取图数据频繁模式数据的数值属性特征和分类特征，提取图数据频繁模式数据的数值属性特征和分类属性特征，完成图数据频繁模式数据优化挖掘［3］，采用点、线、面状要素联合分析方法，建立图数据频繁模式数据的信息属性链模型，建立图数据频繁模式数据挖掘的模糊决策特征分布函数，采用自适应寻优方法，进行图数据频繁模式数据的优化挖掘和信息检测.建立图数据频繁模式数据的属性链表，得到图数据频繁模式数据的空间分布结构模型如图1所示.

图1 图数据频繁模式数据的空间分布结构模型Fig. 1 Spatial distribution structure model of graph data frequent pattern data

根据图1所示的图数据频繁模式数据分析模型，采用分块区域融合方法检测模式信息，建立图数据频繁模式信息特征分布集，采用多元回归分析方法［4］，建立模糊信息融合模型，进行图数据频繁模式挖掘的自适应学习，建立图数据频繁模式挖掘的量化分析模型，得到图数据频繁模式挖掘的统计函数为：

式中，ζ表示挖掘评价的约束指标参量集，R为图数据频繁模式挖掘的解耦特征量，结合模糊度检测方法，进行图数据频繁模式挖掘.

1.2 图数据频繁模式特征检测

根据图数据频繁模式挖掘的模糊特征分布集，对图数据频繁模式数据进行自适应挖掘［5］，图数据频繁模式挖掘的更新规则如式（3）：

其中

式中，λ表示图数据频繁模式挖掘的大数据模糊度分布因子，F̂μ为统计特征分量，ωw为自适应加权系数，结合自相关特征检测方法［6］进行图数据频繁模式挖掘的统计分析，建立图数据频繁模式挖掘的模糊相关性融合模型，结合统计分析方法进行图数据频繁模式挖掘的图模型设计，构建图数据频繁模式挖掘的统计分析模型的表达式为：

建立图数据频繁模式挖掘的关联规则分布集RN与XN，得到图数据频繁模式的关联分布关系为：

2 图数据频繁模式挖掘优化

2.1 解耦概要图分析

通过挖掘图数据频繁模式数据的语义关联特征量［7］，结合模糊属性特征检测方法，实现图数据频繁模式数据集统计的检测，结合自相关特征检测方法［8］进行图数据频繁模式挖掘的统计分析，建立图数据频繁模式挖掘的模糊相关性融合模型，建立图数据频繁模式数据的特征分割模型，计算式定义为：

其中，wij为第i个点的图数据频繁模式数据挖掘的全局加权值，构建图数据频繁模式数据的STARMA（1，1）统计分析模型，进行图数据频繁模式数据挖掘的寻优控制，其计算式为：

其中，di和dj为图数据频繁模式数据挖掘的模糊规则特征量，采用统计信息分析方法，建立图数据频繁模式数据挖掘关联特征分布集［9］，表示为：

其中

式中，NB为解耦概要图的闭频繁项集，NS为语义分割域S中的解耦概要图分布域.

2.2 图数据频繁模式挖掘输出

采用大数据融合方法进行图数据频繁模式挖掘的模式匹配和信息融合聚类，在特征点i处，得到t时刻的图数据频繁模式分布集表示为(w1j,w2j,…,wtj) ，其中，t表示为图数据频繁模式数据的编号数目，wtj为图数据频繁模式数据挖掘的加权系数，通过语义动态特征分割方法，得到标准误差系数为：

其中，maxlFreqij为图数据频繁模式数据挖掘寻优的模糊约束特征量.建立图数据频繁模式数据挖掘的存储模块和信息查询模块，采用解耦概要图检测方法进行图数据频繁模式挖掘过程中的特征提取［10］，建立图数据频繁模式挖掘的特征提取和分类模型，得到挖掘输出：

式中

采用图数据频繁模式数据特征提取方法进行图数据频繁模式挖掘.

3 仿真实验与结果分析

为了验证本文方法的应用性能，在Matlab仿真平台上进行实验，对图数据频繁模式采样的传感节点数为80，频繁项分布集为80，图数据频繁模式数据分布的空间维数为12，信息采样的时延为1.4 ms，根据上述仿真参数设定，进行图数据频繁模式数据挖掘，得到数据采样的时域分布（图2）.

图2 图数据频繁模式挖掘时域分布Fig. 2 Time domain distribution of graph data frequent pattern mining

以图2所示的数据为研究对象，采用大数据融合方法进行图数据频繁模式挖掘的模式匹配和信息融合聚类，根据信息融合结果实现对图数据频繁模式挖掘优化，得到挖掘输出（图3）.

图3 图数据频繁模式数据挖掘输出Fig. 3 Graph data frequent pattern data mining output

分析图3得知，本文方法的特征聚敛性较好.测试不同方法数据挖掘的精度，结果见表1.分析表1得知，本文方法的精度较高，平均为95.94%，而文献［4］方法、文献［6］方法和文献［7］方法的平均精度分别为90.2%、89.5%和84.34%.由此可见，本文方法的数据挖掘精度较高，优于其他方法，具有更好的应用性能.

表1 数据挖掘的精度对比Tab. 1 Precision comparison of data mining

4 结语

笔者提出了基于解耦概要图的图数据频繁模式挖掘算法.采用多元回归分析方法，建立模糊信息融合模型，进行图数据频繁模式挖掘的自适应学习，结合统计分析方法进行图数据频繁模式挖掘的图模型设计，通过语义动态特征分割方法，建立图数据频繁模式数据挖掘的存储模块和信息查询模块，采用解耦概要图检测方法进行图数据频繁模式挖掘过程中的特征提取.研究得知，采用本文方法进行图数据频繁模式挖掘的自适应性较好，挖掘精度较高.