一種故障關(guān)聯(lián)規(guī)則構(gòu)建方法
【專利摘要】本發(fā)明公開一種故障關(guān)聯(lián)規(guī)則構(gòu)建方法，包括如下步驟：S1、讀取故障數(shù)據(jù)記錄，記錄支持每個項的事務(wù)代碼并統(tǒng)計支持每個項的事務(wù)數(shù)，得到候選k項集Ck，k＝1；S2、對候選k項集Ck采用調(diào)優(yōu)算法計算得到頻繁k項集Lk；S3、對頻繁k項集Lk采用連接剪枝交替進行的最小候選集生成方法生成候選k+1項集Ck+1；S4、對候選k+1項集Ck+1采用調(diào)優(yōu)算法計算得到頻繁k+1項集Lk+1；S5、判斷頻繁k+1項集Lk+1是否與頻繁k項集Lk相同：若是，則將頻繁k項集Lk作為最優(yōu)頻繁項集；若否，則使k＝k+1，轉(zhuǎn)入步驟S3；S6、根據(jù)最優(yōu)頻繁項集構(gòu)建故障關(guān)聯(lián)規(guī)則。本發(fā)明具有穩(wěn)定性高、收斂特性好和運行速度快等優(yōu)點。
【專利說明】
一種故障關(guān)聯(lián)規(guī)則構(gòu)建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及故障關(guān)聯(lián)規(guī)則構(gòu)建技術(shù)領(lǐng)域。更具體地，涉及一種故障關(guān)聯(lián)規(guī)則構(gòu)建 方法。
【背景技術(shù)】
[0002] 目前，國內(nèi)外的研究工作主要集中在故障元件的識別方面。目前故障關(guān)聯(lián)規(guī)則構(gòu) 建的方法有邏輯處理方法、專家系統(tǒng)方法(基于Petri網(wǎng)的專家系統(tǒng)方法）、人工神經(jīng)元網(wǎng)絡(luò) 方法和基于優(yōu)化技術(shù)的方法等。其中基于優(yōu)化技術(shù)的方法又包括遺傳算法、混沌算法、模擬 退火算法等。這些方法中專家系統(tǒng)方法直觀，解釋能力強，但是難以獲取完備的知識庫，無 學(xué)習(xí)能力，容錯能力較差。人工神經(jīng)元網(wǎng)絡(luò)方法的故障關(guān)聯(lián)規(guī)則構(gòu)建的性能取決于樣本集 是否完備，對于復(fù)雜系統(tǒng)要形成完備的樣本集極其困難，因而其診斷結(jié)果的正確性在原理 上無法保證。一般的模糊系統(tǒng)采用了與專家系統(tǒng)類似的結(jié)構(gòu)，所以它也具有專家系統(tǒng)的一 些固有的優(yōu)缺點，但增加了容錯能力。遺傳算法(Geneti c A1 gori thm，GA)從優(yōu)化的角度出 發(fā)基本上可以解決故障關(guān)聯(lián)規(guī)則構(gòu)建問題，尤其是在復(fù)故障或存在保護、斷路器誤動作的 情況下，能夠給出全局最優(yōu)或局部最優(yōu)的多個可能的診斷結(jié)果，但是穩(wěn)定性差、速度較慢
[0003] 因此，需要提供一種準確、高效和穩(wěn)定故障關(guān)聯(lián)規(guī)則構(gòu)建方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供準確、高效和穩(wěn)定故障關(guān)聯(lián)規(guī)則構(gòu)建方法。
[0005] 為達到上述目的，本發(fā)明采用下述技術(shù)方案：
[0006] -種故障關(guān)聯(lián)規(guī)則構(gòu)建方法，包括如下步驟：
[0007] S1、讀取故障數(shù)據(jù)記錄，記錄支持每個項的事務(wù)代碼并統(tǒng)計支持每個項的事務(wù)數(shù)， 得到候選k項集Ck，k=l;
[0008] S2、對候選k項集Ck采用調(diào)優(yōu)算法計算得到頻繁k項集Lk;
[0009] S3、對頻繁k項集Lk采用連接剪枝交替進行的最小候選集生成方法生成候選k+1項 集 Ck+i;
[0010] S4、對候選k+1項集Ck+ι采用調(diào)優(yōu)算法計算得至幌繁k+1項集Lk+ι;
[0011] S5、判斷頻繁k+1項集Lk+1是否與頻繁k項集Lk相同：若是，則將頻繁k項集Lk作為最 優(yōu)頻繁項集;若否，則使k = k+Ι，轉(zhuǎn)入步驟S3;
[0012] S6、根據(jù)最優(yōu)頻繁項集構(gòu)建故障關(guān)聯(lián)規(guī)則。
[0013] 優(yōu)選地，步驟S2進一步包括如下子步驟：
[0014] S2.1、計算候選k項集Ck的支持度及支持度的平均值μ;
[0015] S2.2、統(tǒng)計大于最小閾值的預(yù)選k項集，并計算預(yù)選k項集的預(yù)選率Pk;
[0016] S2.3、在滿足小于支持度標準偏差S的條件下對最小閾值^進行調(diào)整，選取預(yù)選率 Pk最優(yōu)的預(yù)選k項集作為頻繁k項集Lk。
[0017]優(yōu)選地，最小閾值為保持候選k項集Ck存在的支持度的最小值。
[0018]優(yōu)選地，支持度標準偏差S的取值公式為：
[0020]其中，Xi為預(yù)選k項集中第i個項的支持度，η為預(yù)選k項集中項的數(shù)量。
[0021 ]優(yōu)選地，預(yù)選k項集的預(yù)選率Pk為支持度在最小閾值之上的預(yù)選k項集數(shù)量與候選 k項集&數(shù)量的比值。
[0022] 優(yōu)選地，步驟S3進一步包括如下子步驟：
[0023] S3.1、將頻繁k項集Lk的前k-Ι項進行比對，刪除頻繁k項集Lk中無相同前k-Ι項的子 項集，生成頻繁k項集Ι/k;
[0024] S3.2、計算頻繁k項集Lk中各個項Ir的頻度Lk( Ir )，i' = l，2,3"_n'，n'為頻繁k項 集Lk中項的數(shù)量，統(tǒng)計項頻度小于k+2的項集17 = {Ii I Lk(Ii) <k+2};
[0025] S3.3、刪除頻繁k項集Ι/k中包含項集V中任意項的頻繁項集，得到頻繁k項集L〃k;
[0026] S3.4、將頻繁k項集L〃k自連接生成候選k+1項集Ck+1。
[0027] 優(yōu)選地，所述將頻繁k項集L〃k自連接生成候選k+l項集Ck+1的具體方法為:若ae L〃 k，b e L〃 k，則a + b e Ck+i，a和b分別為頻繁k項集L〃 k中的項。
[0028] 優(yōu)選地，步驟S3.4還包括如下步驟：當頻繁k項集L〃k為空時，將頻繁k項集1/ k自連 接生成候選k+Ι項集Ck+i。
[0029] 優(yōu)選地，所述將頻繁k項集1/ k自連接生成候選k+1項集Ck+1的具體方法為:若a e L 7k，b e 1/ k，貝lja+b e Ck+i，a和b分別為頻繁k項集ΙΛ中的項。
[0030] 本發(fā)明的有益效果如下：
[0031] 本發(fā)明所述技術(shù)方案與用經(jīng)典Apriori方法相比，效率提升了23.75%，準確率提 升了 7.39%。通過仿真表明本發(fā)明所述技術(shù)方案不僅能夠準確構(gòu)建故障關(guān)聯(lián)規(guī)則，而且具 有很好的收斂速度和穩(wěn)定性。因此作為一種新的應(yīng)用，本發(fā)明所述技術(shù)方案具有重要的理 論意義和實際應(yīng)用價值。
【附圖說明】
[0032]下面結(jié)合附圖對本發(fā)明的【具體實施方式】作進一步詳細的說明。
[0033]圖1示出故障關(guān)聯(lián)規(guī)則構(gòu)建方法的流程圖 [0034]圖2示出調(diào)優(yōu)算法的流程圖。
[0035] 圖3示出連接剪枝交替進行的最小候選集生成方法的流程圖。
[0036] 圖4示出原始故障數(shù)據(jù)列表的示意圖。
[0037]圖5示出候選1項集列表的示意圖。
[0038]圖6示出1項集調(diào)優(yōu)參數(shù)列表的示意圖。
[0039]圖7示出頻繁1項集列表的示意圖。
[0040]圖8示出候選2項集列表的示意圖。
[0041 ]圖9示出2項集調(diào)優(yōu)參數(shù)列表的示意圖。
[0042]圖10示出頻繁2項集列表的示意圖。
[0043] 圖11示出候選3項集列表的示意圖。
[0044] 圖12示出3項集調(diào)優(yōu)參數(shù)列表的示意圖。
[0045] 圖13示出頻繁3項集列表的示意圖。
[0046] 圖14示出候選4項集列表的示意圖。
[0047]圖15示出頻繁4項集列表的示意圖。
[0048] 圖16示出構(gòu)建的關(guān)聯(lián)規(guī)則表的示意圖。
【具體實施方式】
[0049] 為了更清楚地說明本發(fā)明，下面結(jié)合優(yōu)選實施例和附圖對本發(fā)明做進一步的說 明。附圖中相似的部件以相同的附圖標記進行表示。本領(lǐng)域技術(shù)人員應(yīng)當理解，下面所具體 描述的內(nèi)容是說明性的而非限制性的，不應(yīng)以此限制本發(fā)明的保護范圍。
[0050] 所謂故障關(guān)聯(lián)規(guī)則構(gòu)建就是挖掘布爾關(guān)聯(lián)規(guī)則頻繁項目集以求得故障之間的發(fā) 生關(guān)系。本實施例提供的故障關(guān)聯(lián)規(guī)則構(gòu)建方法在經(jīng)典Apriori算法的基礎(chǔ)上，將數(shù)據(jù)結(jié)構(gòu) 由水平結(jié)構(gòu)改成項目事務(wù)垂直對應(yīng)關(guān)系數(shù)據(jù)結(jié)構(gòu)，記錄支持每個項的事務(wù)代碼，提取事務(wù) 中的所有項，統(tǒng)計支持每個項的事務(wù)數(shù)。
[0051] 本實施例中連接剪枝交替進行的最小候選集生成方法中連接思想為:在由k項集 生成k+Ι項集時，當頻繁k項集Lk作自身連接時，若兩個項集的前k-Ι項不同，則放棄該兩個 項集的連接運算，因為產(chǎn)生的項集不是重復(fù)的就是非頻繁項集。即設(shè)1:和1 2是U中的項集， 項集中的項按它在整個數(shù)據(jù)庫中出現(xiàn)的頻率以升序排序，執(zhí)行LkXLk時，若luk-υ矣ha-υ， 則可放棄1:和1 2的連接，否則產(chǎn)生的k+1項集一定是冗余項集，這樣可減少計算量。
[0052] 本實施例中連接剪枝交替進行的最小候選集生成方法中剪枝思想為:若k項集X = {X1，X2，…，a}中，存在一個xiEX使得Lk-i(Ii) <k-l，則X不是頻繁項目集，其中，Ii表示頻繁 k-Ι項集Lh的集合中包含xi的個數(shù)。
[0053] 如圖1所示，該方法包括如下步驟：
[0054] S1、讀取故障數(shù)據(jù)記錄，記錄支持每個項的事務(wù)代碼并統(tǒng)計支持每個項的事務(wù)數(shù)， 得到候選k項集Ck，k= 1，，這樣可省去對候選項集事務(wù)進行模式匹配時浪費的時間；
[0055] S2、對候選k項集Ck采用調(diào)優(yōu)算法計算得到頻繁k項集Lk;
[0056] S3、對頻繁k項集Lk采用連接剪枝交替進行的最小候選集生成方法生成候選k+1項 集Ck+l;
[0057] S4、對候選k+1項集Ck+i采用調(diào)優(yōu)算法計算得到頻繁k+1項集Lk+i;
[0058] S5、判斷頻繁k+1項集Lk+1是否與頻繁k項集Lk相同：若是，則將頻繁k項集Lk作為最 優(yōu)頻繁項集;若否，則使k = k+Ι，轉(zhuǎn)入步驟S3;
[0059] S6、根據(jù)最優(yōu)頻繁項集構(gòu)建故障關(guān)聯(lián)規(guī)則。
[0060]其中，
[0061 ] 如圖2所示，步驟S2進一步包括如下子步驟：
[0062] S2.1、計算候選k項集Ck的支持度及支持度的平均值μ;
[0063] S2.2、統(tǒng)計大于最小閾值的預(yù)選k項集，并計算預(yù)選k項集的預(yù)選率Pk;
[0064] S2.3、在滿足小于支持度標準偏差S的條件下對最小閾值^進行調(diào)整，選取預(yù)選率 Pk最優(yōu)的預(yù)選k項集作為頻繁k項集Lk，即以支持度的平均值μ的支持度標準偏差S鄰域，gp [μ +S，y_S]為適中的范圍，同時作為最小閾值區(qū)間，最小閾值Tk的調(diào)整即是在最小閾值區(qū)間[μ +S ,μ-S]內(nèi)取值來尋找最優(yōu)的頻繁k項集Lk。
[0065]最小閾值Tk為保持候選k項集Ck存在的支持度的最小值，對同一層(例如k層和k層） 所有項集最終的最小閥值τ是相等的，而兩個不同層(例如k層和k+Ι層)的最小閥值τ都是不 相等的。
[0066]支持度標準偏差S的取值公式為：
[0068] 其中，Xi為預(yù)選k項集中第i個項的支持度，η為預(yù)選k項集中項的數(shù)量。
[0069] 預(yù)選k項集的預(yù)選率Pk為支持度在最小閾值之上的預(yù)選k項集數(shù)量與候選k項集Ck 數(shù)量的比值。
[0070] 如圖3所示，步驟S3進一步包括如下子步驟：
[0071] S3.1、將頻繁k項集Lk的前k-Ι項進行比對，刪除頻繁k項集Lk中無相同前k-Ι項的子 項集，生成頻繁k項集Ι/k;
[0072] S3.2、計算頻繁k項集Lk中各個項Ir的頻度Lk( Ir )，i' = l，2,3"_n'，n'為頻繁k項 集Lk中項的數(shù)量，統(tǒng)計項頻度小于k+2的項集17 = {Ii I Lk(Ii) <k+2}，
[0073] S3.3、刪除頻繁k項集Ι/k中包含項集V中任意項的頻繁項集，得到頻繁k項集L〃k;
[0074] S3.4、將頻繁k項集L〃k自連接生成候選k+1項集Ck+1。
[0075]步驟S3.4中將頻繁k項集L〃k自連接生成候選k+Ι項集Ck+1的具體方法為:若a e L〃k， b eL〃k，則a + b e Ck+i，即計算Ta+b = Ta U Tb，a和b分別為頻繁k項集L〃k中的項，Ta、Tb分別為 頻繁k項集L〃 k中包含a、b的子項集，Ta+b為頻繁k項集L〃k中同時包含a、b的子項集。
[0076] 步驟S3.4還包括如下步驟:當頻繁k項集L〃k為空時，將頻繁k項集Ι/k自連接生成候 選k+Ι項集Ck+i。
[0077] 而將頻繁k項集1/ k自連接生成候選k+1項集Ck+1的具體方法為:若a e 1/ k，b e 1/ k， 則abeck+1，即計算1^ = 1^ U Tb，a和b分別為頻繁k項集1/ k中的項，Ta、Tb分別為頻繁k項集 ΙΛ中包含a、b的子項集，Ta+b為頻繁k項集Ι/k中同時包含a、b的子項集。
[0078] 下面代入具體的故障數(shù)據(jù)對本實施例提供的故障關(guān)聯(lián)規(guī)則構(gòu)建方法作進一步地 說明。
[0079] 現(xiàn)有68條故障數(shù)據(jù)，其故障屬性(故障的相關(guān)參數(shù)和部件等)共26種，具體情況如 圖4所示。則本實施例提供的故障關(guān)聯(lián)規(guī)則構(gòu)建方法的基本步驟為：
[0080] 1)改變數(shù)據(jù)結(jié)構(gòu)，記錄支持每個項的事務(wù)代碼，統(tǒng)計支持每個項的事務(wù)數(shù)，得到候 選1項集，具體數(shù)據(jù)如圖5所示；
[0081] 2)采用調(diào)優(yōu)算法對候選1項集&進行計算，得到頻繁1項集L1:
[0082] 首先計算候選1項集Ci中各屬性的支持度，計算其平均值μ及標準誤差S，可得μ = 35.3、S = 4.3,由此得到最小閾值區(qū)間[31，39.6]。取最小閾值η等于平均值35.3，則預(yù)選1
。最小閾值^在區(qū)間[31，39.6]內(nèi)進行若干次隨機取值并計算預(yù)選 率，比對預(yù)選率Pi，選取Pi更接近0.5的最小閾值〇1，得到更優(yōu)的頻繁1項集U，具體情況如圖 6和7所示。
[0083] 3)頻繁1項集1^進行自連接運算，得到候選2項集C2;
[0084] 具體數(shù)據(jù)如圖8所示，由于候選2項集C2所得數(shù)據(jù)太多，故只截取開頭一部分。
[0085] 4)采用調(diào)優(yōu)算法對候選2項集&進行計算，得到頻繁2項集L2:
[0086] 首先計算候選2項集C2中各屬性集的支持度，計算其平均值μ及標準誤差S，可得μ =21.1、S = 3.0，由此得到最小閾值區(qū)間[18.1，24.1 ]。取最小閾值τ2等于平均值21.1，則預(yù)
。最小閾值在區(qū)間[18.1，24.1 ]內(nèi)進行若干次隨機取值并計 算預(yù)選率，比對預(yù)選率Ρ2,選取Ρ2更接近0.5的最小閾值τ2，得到更優(yōu)的頻繁2項集L 2,具體情 況如9和10所示。
[0087] 5)采用連接剪枝交替進行的最小候選集生成方法對頻繁2項集。進行計算，得到 候選3項集C 3:
[0088] 將屬性集的前1項進行比對，刪除L2中無相同前1項的屬性集，生成新的頻繁2項集 1/2,然后計算1^中每個項Ii的頻度，標記為1^(1山找出項頻度小于4的項，記為疒亇={Ii L 2(Ii)<4}，掃描1/2,去掉1/2中包含V中任意項的頻繁項集，得到新的更小的頻繁2項集L 〃 2，繼而L〃 2自連接生成候選3項集C3，具體數(shù)據(jù)如9所示。
[0089] 6)采用調(diào)優(yōu)算法對候選3項集C3進行計算，得到頻繁3項集L3:
[0090] 首先計算候選3項集C3中各屬性集的支持度，計算其平均值μ及標準誤差S，可得μ = 18.2、S=l.6,由此得到最小閾值區(qū)間[16.6,19.8]。取最小閾值τ3等于平均值18.2，則預(yù)
最小閾值τ3在區(qū)間[16.6，19.8]內(nèi)進行若干次隨機取值并計 算預(yù)選率，比對預(yù)選率Ρ3,選取Ρ3更接近0.5的最小閾值τ3,得到更優(yōu)的頻繁3項集L 3,具體情 況如12和13所示。
[0091] 7)采用連接剪枝交替進行的最小候選集生成方法對頻繁3項集L3進行計算，得到 候選4項集C4:
[0092] 將屬性集的前2項進行比對，刪除L2中無相同前2項的屬性集，生成新的頻繁3項集 1/3,然后計算L3中每個屬性的頻度，標記為L3(L·)，找出項目頻度小于5的項，記為r ^ = {Ii | L3(Ii) <5}，掃描1/ 3，去掉1/ 3中包含疒中任意項的頻繁項集，得到新的更小的頻繁3項 集L〃3。由于L〃 3為空集，使1/3自連接生成候選4項集C4,具體情況如14所示。
[0093] 8)此時只剩下支持度為15、14、15的三個屬性集{六，6，1(，〇}、{1(氺，1〇}、{1(，1〇， W}，則可直接刪除支持度為14的屬性集{K，L，N，Q}，得到頻繁4項集L4，具體數(shù)據(jù)如15所示； [0094] 9)由于頻繁4項集L4中不存在前3項相同的屬性集，1/ 4為空集，則無法進行連接運 算，頻繁4項集1^={0，6，1(，〇}，{1(少，〇，1}}即為最優(yōu)頻繁項集。
[0095] 因此，可以得到兩個故障關(guān)聯(lián)規(guī)則，代入字母表示含義可得故障關(guān)聯(lián)規(guī)則如圖16 所示。
[0096] 顯然，本發(fā)明的上述實施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對 本發(fā)明的實施方式的限定，對于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可 以做出其它不同形式的變化或變動，這里無法對所有的實施方式予以窮舉，凡是屬于本發(fā) 明的技術(shù)方案所引伸出的顯而易見的變化或變動仍處于本發(fā)明的保護范圍之列。
【主權(quán)項】
1. 一種故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，該方法包括如下步驟： 51、 讀取故障數(shù)據(jù)記錄，記錄支持每個項的事務(wù)代碼并統(tǒng)計支持每個項的事務(wù)數(shù)，得到 候選k項集Ck，k=l; 52、 對候選k項集Ck采用調(diào)優(yōu)算法計算得到頻繁k項集Lk; 53、 對頻繁k項集Lk采用連接剪枝交替進行的最小候選集生成方法生成候選k+1項集 Ck+i; 54、 對候選k+l項集Ck+i采用調(diào)優(yōu)算法計算得到頻繁k+l項集Lk+i; 55、 判斷頻繁k+1項集Lk+1是否與頻繁k項集Lk相同：若是，則將頻繁k項集Lk作為最優(yōu)頻 繁項集;若否，則使k = k+l，轉(zhuǎn)入步驟S3; 56、 根據(jù)最優(yōu)頻繁項集構(gòu)建故障關(guān)聯(lián)規(guī)則。2. 根據(jù)權(quán)利要求1所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，步驟S2進一步包括如下 子步驟： 52.1、 計算候選k項集Ck的支持度及支持度的平均值μ; 52.2、 統(tǒng)計大于最小閾值的預(yù)選k項集，并計算預(yù)選k項集的預(yù)選率Pk; 52.3、 在滿足小于支持度標準偏差S的條件下對最小閾值w進行調(diào)整，選取預(yù)選率Pk最 優(yōu)的預(yù)選k項集作為頻繁k項集Lk。3. 根據(jù)權(quán)利要求2所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，最小閾值Tk為保持候選k 項集&存在的支持度的最小值。4. 根據(jù)權(quán)利要求2所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，支持度標準偏差S的取 值公式為：其中，Xi為預(yù)選k項集中第i個項的支持度，η為預(yù)選k項集中項的數(shù)量。5. 根據(jù)權(quán)利要求2所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，預(yù)選k項集的預(yù)選率Pk為 支持度在最小閾值之上的預(yù)選k項集數(shù)量與候選k項集&數(shù)量的比值。6. 根據(jù)權(quán)利要求1所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，步驟S3進一步包括如下 子步驟： 53.1、 將頻繁k項集Lk的前k-Ι項進行比對，刪除頻繁k項集Lk中無相同前k-Ι項的子項 集，生成頻繁k項集Ι/k; 33.2、 計算頻繁1^項集1^中各個項]^的頻度1^(]^)，：[' = 1，2,3-]1'，]1'為頻繁1^項集1^中 項的數(shù)量，統(tǒng)計項頻度小于k+2的項集疒={Ii | Lk(Ii) <k+2}; 53.3、 刪除頻繁k項集1/k中包含項集F中任意項的頻繁項集，得到頻繁k項集L〃k; 53.4、 將頻繁k項集L〃k自連接生成候選k+1項集Ck+1。7. 根據(jù)權(quán)利要求6所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，所述將頻繁k項集1/\自 連接生成候選k+1項集Ck+i的具體方法為:若a e L〃 k，b e L〃 k，則a+b e Ck+i，a和b分別為頻繁k 項集L〃k中的項。8. 根據(jù)權(quán)利要求6所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，步驟S3.4還包括如下步 驟:當頻繁k項集L〃k為空時，將頻繁k項集1/ k自連接生成候選k+1項集Ck+1。9. 根據(jù)權(quán)利要求6所述的故障關(guān)聯(lián)規(guī)則構(gòu)建方法，其特征在于，所述將頻繁k項集1/k自 連接生成候選k+1項集Ck+i的具體方法為:若a e 1/ k，b e 1/ k，則a+b e Ck+i，a和b分別為頻繁k 項集1/k中的項。
【文檔編號】G06F19/00GK105868551SQ201610182316
【公開日】2016年8月17日
【申請日】2016年3月28日
【發(fā)明人】王艷輝, 李曼, 向萬曉, 賈利民, 秦勇, 林帥, 王淑君
【申請人】北京交通大學(xué)