为了更好的利用与产品参数方面的客户需求数据,提出了一种基于布尔矩阵改进的Apriori算法对客户需求数据信息进行分析。首先,针对Apriori算法在每次由低维度连接生成高维度的候选频繁项集时都需要扫描整个数据库非常耗时的缺陷,利用布尔矩阵对其进行改进,把客户需求数据映射成布尔矩阵;其次,采用迭代和剪枝的方式,利用改进后的算法对客户需求数据进行分析,计算出满足设定支持度的最高维度的频繁项集,挖掘出客户需求信息之间的不确定性联系,为设计制造出满足客户需求的产品提供参考。通过分析,改进后的算法在计算的时间复杂度和空间复杂度方面更优;最后以某企业针对冰箱产品开展的客户需求调查结果为例,说明该方法的具体实施过程。

大型旋转机械设备在发生故障时所造成的损失是不可计算的,因此建立了关联规则库预警模型。首先采用全矢Hilbert对正常运行状态下的同源双通道原始样本数据进行信息融合,然后进行离散化等预处理,建立后期工作所需要的数据库。利用Apriori算法发现滚动轴承八个特征频率幅值数据之间的未知关系,继而用挖掘出的关联规则构建一个规则库。将运行数据通过处理之后与所建立的规则库相匹配,并设立阈值,依据此结果在设备未完全报废之前,及时发出报警信号,达到预警目的。

数控机床加工精度受到机床零部件、外部环境等因素的影响,从而需要添加适当的补偿参数确保加工精度的稳定性,另外,不同车床不同时刻的补偿参数实时变化。为此,提出一种基于关联规则及神经网络方法的智能误差补偿模型。以实际生产中产生的数据集为基础,通过Apriori算法对数据集进行筛选;对各个特征值与补偿参数进行归一化处理,以提高数据的收敛速度;利用神经网络模型为不同情形下的车床搜寻最佳补偿参数模型,从而构建起最佳的智能误差补偿模型;经过智能误差补偿后,对生产的物件进行图像识别,分析其是否符合精度要求。仿真测试结果表明:针对训练集数据和测试集数据,车床稳定性分别提高了0.695和0.713。实测结果显示:利用上述方法,对30个产品进行雕刻,精度均符合要求。因此,智能误差补偿模型能够提高车床加工稳定性,提升产品合格率。

在研究和分析现有的Apriori算法后，提出一种新的改进算法。该算法在哈希表存放数据库的基础上，采用二进制的改进模型。在统计查找频繁项集的支持计数中，通过二进制位与运算代替链表间查找相同内容的节点运算。为提高内存分配和释放效率，文中采用内存池技术，有效地减少内存碎片和缺页中断，采用二进制的改进模型和内存池技术相结合，明显提高了客户满意度评测系统的效率。

通过研究基于两阶段频集思想的Apriori算法,针对Apriori算法的性能瓶颈提出了改进的Apriori算法,利用改进的Apriori算法对乳腺疾病数据进行挖掘,使用SQLServer2005数据挖掘工具,主要建立肿瘤复发和其他属性间的关联规则。挖掘结果证明了关联规则算法在医疗数据挖掘中的有效性。

为了有效支持产品变型设计和大批量定制设计,将产品平台中的广义模块按不同属性分成6类,针对分类得到的参数化模型进行包含性关系挖掘。对参数化模型间的包含性关系分析主要包括4个步骤：1）从广义模块中抽取各类代码作为数据表的字段,将各类零部件的序号作为数据表的事务,构建事务数据表;2）将事物数据表转化为0-1矩阵,运用Apriori算法找出频繁项集;3）通过比较频繁k-项集内部的置信度,得到参数化模型之间的强关联关系;4）得到模型间包含性关系。最后以阀门产品为例,对提出的包含性分析方法进行验证,并输出阀门各个参数化模型间的包含性关系。研究结果表明：经挖掘得到的包含性关系有利于产品与工艺资源的快速检索和再利用,便于产品与工艺的精确和非精确配置,进而促进企业大批量定制产品战略的有效实施。