,和提出的原创性算法。这种算法主要是为发现关联规则而去寻找频繁项集，即通过层层的搜索迭代，在候选集中发现频繁项集，进而由频繁项集产生出关联规则。,万方数据三峡大学硕士学位论文,万方数据三峡大学硕士学位论文和提出的原创性算法。这种算法主要是为发现关联规则而去寻找频繁项集，即通过层层的搜索迭代，在候选集中发现频繁项集，进而由频繁项集产生出关联规则。该算法中项集就是项的集合，若该项集满足最小支持度则被认为是频繁项集，而包含项集的事务数则被认为是项集的频率。算法的步骤主要是找出候选项集，并根据候选项集的支持度确定是否抛弃该项，然后连接寻找具有个项的频繁项集，就这样连续迭代至再找不出任何频繁项集为止。在关联规则的发现过程中，通常用支持度与置信度去衡量事物之间的这种关联关系。支持度可以用于反映这些被发现规则的有用性，而置信度则反映了这些规则的确定性。其中，能够符合支持度与置信度的阈值最小值条件下的规则被称为强规则，也被认为是有用的规律。从概率论的角度，置信度描述了包含个项目的事务万方数据三峡大学硕士学位论文中同时出现另个项目的概率，是对规则准确度的个测量支持度描述了两个项目同时出现在个事务的概率，体现了规则关联的普遍性置信度同后项支持度进行相比被称为提升度，是前项事务发生对影响后项事务是否发生或发生程度的体现，般认为大于的规则才有意义。相关系数相关系数般用于衡量变量间线性关系，简单来说就是评价数据集之间是否处于条直线上面。其数学表达式为相关系数通过值的大小来判断相关的强弱，没有方向性。其绝对值如果越小，也就表明两个变量间相关性关系也就越弱。即相关系数如果越靠近或，这就表示变量之间的相关度越强反之，则越弱。般情况下以上被认为是具有极强的相关性，而以上则被认为存在强的相关关系，以上被认为具有中等程度的相关性，以上被认为表示相关性很弱的，以下则可以认为无相关性或者相关性极其弱。本章小结本章首先简要地介绍了滑坡位移时序预测的些常用方法，包括传统的线性预测非线性预测以及其他技术。具体介绍了传统时间序列分析方法灰色理论方法神经网络方法以及基于相空间重构的时序预测方法。传统时间序列分析法主要依据曾经已有的序列来预测未来的变化趋势，其思想基本是从时序数据提取出具有长期变动规律的趋势项和具有季节变动的周期项，并分别进行预测后再叠加。灰色理论与神经网络算法则常常与传统时间序列分析方法的思想结合使用，般用于时间序列分析方法中趋势项的提取及预测。并详细介绍了基于相空间重构的时序预测方法，该方法主要是利用相空间重构理论对位移时序重构后再利用支持向量机建立智能算法模型。接下来介绍了滑坡位移预测中的数据挖掘相关理论知识，包括均值聚类算法算法以及相关系数。万方数据三峡大学硕士学位论文滑坡位移时序预测模型改进及预测本章主要针对运用中位移重构过程的参数，提出了熵值定维参数估计方法。针对第二章中介绍的基于相空间重构的时序预测过程描述了改进的滑坡位移时序预测模型，并通过自相关计算与熵值定维方法分别估计了相空间的重构维数。然后通过白家包监测数据分别利用这些不同维数构建模进行实例分析。最后，对比自相关参数估计方法下的构建模型预测值与熵值定维参数估计方法下的构建模型预测值表明，使用熵值定维参数估计方法可以在本实例中提高位移趋势的预测准确性。引言在传统的位移时序预测研究方法中，般是采用时间序列分析法直接从位移这个序列研究滑坡的时间演变。随着机器学习的发展，支持向量机神经网络等智能算法也开始应用到滑坡的研究中。滑坡是个受多种因素相互作用而产生的非线性动力系统，而位移不仅包含这种系统的非线性动力特征，而且根据相空间重构后还可以体现整个系统的运动特征。第二章中详细介绍了滑坡位移中基于相空间重构的时序预测模型，该模型的运用问题主要集中在相空间重构参数确定。而在中，滑坡位移的相空间重构参数主要是利用自相关方法进行估计。从单变量混沌时序的角度，在目前广泛应用的相空间重构方法中，孙彬彬通过实验验证了互信息量法解决相空间参数的有效性，江田汉等人采用微熵率求得相空间重构的最优参数，并用支持向量机建立了混沌时序模型。本章则基于相空间重构方法，从熵值信息变化的角度，提出了种熵值定维参数估计的方法，利用熵值理论结合误差反馈确定相空间重构的嵌入维数参数，并使用能捕捉非线性关系的支持向量机训练位移时序预测模型。改进的滑坡位移时序预测模型混沌现象在社会中是种广泛存在的不规则运动，通过混沌与应用技术的研究，非线性时间序列的分析逐渐成为个关注点。而解决分析混沌时间序列相关预测问题的方法能够建立的基础则就是相空间重构理论。本节主要介绍了熵值定维参数估计方法以及位移时序预测模型的建立。熵值定维参数估计方法在重构相空间中，其维数的选择直接会影响到支持向量回归机能否更好地拟合时序的变化趋势。维数的选择关系到时间演变因子与其他因子的相互作用问题，在重构状态空间时，合理地选择维数，将些固定时间的延迟点作为新维，能够有效地对时间序列扩维，充分展示时间序列的信息。在滑坡的位移时序相空间重构中，其延迟时间般取。而针对嵌入维数，本文根据熵值理论，提出种基于熵值理论的万方数据三峡大学硕士学位论文熵值定维的窗口大小确认方式。记逆序重构的相空间转置矩阵为时序重构矩阵，取为整数，则该矩阵包括所有的样本。为方便计算，首先对重构的位移时序矩阵按照原序列以自底向上的顺序进行扩充，并在空白位置填补零值。令表示扩充后位移时序矩阵中第行第列的位移记录值，则根据熵值理论的要求，其熵值计算如式。,式中，是个常数分别为扩充后位移时序矩阵的行数和列数。并且当时，则令。找出峰值点相对应的维数。定义在熵值变化量曲线中的任意三个连续维数，如果中间维数对应的值大于两端维数对应的值，则称三个维数中间那个维数相对应的熵值变化量为峰值，中间那个维数也就称为峰值维。即先对上式中求得的熵值求取其变化量，再从中寻找峰值对应的峰值维，如式。其下标就是与峰值点相对应的峰值维数。根据这个维数可以重新构建相空间位移时序矩阵作为模型的训练集。如果峰值维只有个，则可以唯确定相空间重构维，否则需要根据多个峰值维以相同的方式分别建立位移时序预测子模型，并计算子模型的均方根误差，采用均方根误差式为误差指标,选取均方根误差最小的峰值维作为整个序列的重构嵌入维数。式中，为预测数，为预测值，为实测值。模型的建立在滑坡位移的时序模型建立中，其位移值作为模型预测的目标，而位移样本数据则会预留小部分作为检验数据，其余数据则作为位移历史监测数据则成为训练模型的初始数据来源。同时，为满足模型输入数据的平稳性，还需要对观测数据进行对数万方数据三峡大学硕士学位论文