改進(jìn)型Apriori算法在犯罪關(guān)聯(lián)分析中的應(yīng)用[精品資料]

改進(jìn)型 Apriori 算法在犯罪關(guān)聯(lián)分析中的應(yīng)用 -精品資料 本文檔格式為 WORD,感謝你的閱讀。 最新最全的 學(xué)術(shù)論文 期刊文獻(xiàn) 年終總結(jié) 年終報(bào)告 工作總結(jié) 個(gè)人總結(jié) 述職報(bào)告 實(shí)習(xí)報(bào)告 單位總結(jié) 摘要：介紹了關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘技術(shù)，特別是Apriori 核心算法，并對(duì) Apriori 算法進(jìn)行了 Hash優(yōu)化。以某市的犯罪信息數(shù)據(jù)庫(kù)為實(shí)例，將改進(jìn)后的關(guān)聯(lián)分析技術(shù)應(yīng)用其中，以便發(fā)現(xiàn)犯罪行為特點(diǎn)及犯罪嫌疑人特性等潛在的聯(lián)系，為公安部門(mén)的戰(zhàn)略部署、決策指揮、偵查破 案、治安管理等提供依據(jù)。 關(guān)鍵詞關(guān)鍵詞：犯罪特征；關(guān)聯(lián)規(guī)則；數(shù)據(jù)挖掘；Apriori TP312A16727800（ 2013） 011006802 0 引言 信息技術(shù)的飛速發(fā)展，給公安機(jī)關(guān)的信息化應(yīng)用提供了強(qiáng)有力的保障，較大程度上提高了整個(gè)公安隊(duì)伍的戰(zhàn)斗力，在防范打擊違法犯罪、維護(hù)國(guó)家安全穩(wěn)定等方面起到了重要作用。 “ 金盾工程 ” 的推進(jìn)，促使各類(lèi)業(yè)務(wù)應(yīng)用平臺(tái)逐步建成和完善，但情報(bào)導(dǎo)向的信息應(yīng)用仍處于初探階段。信息的關(guān)鍵價(jià)值不在于存儲(chǔ)，而在于對(duì)所擁有的大量警務(wù)信息進(jìn)行二次挖掘 ，獲取更有價(jià)值的情報(bào)信息 1 。近年來(lái)，公安部門(mén)積累了海量的基礎(chǔ)數(shù)據(jù)和犯罪數(shù)據(jù)信息，但對(duì)于這些數(shù)據(jù)的高效利用和深度應(yīng)用未有明顯成績(jī)。因此，如何利用先進(jìn)的信息技術(shù)在這些海量數(shù)據(jù)中進(jìn)行深度挖掘，得出一些新知識(shí)，使之有益于公安部門(mén)的戰(zhàn)略部署、決策指揮、偵查破案、治安管理等，具有一定的時(shí)代意義。 1 關(guān)聯(lián)規(guī)則挖掘 關(guān)聯(lián)規(guī)則挖掘，有時(shí)也叫關(guān)聯(lián)分析，是數(shù)據(jù)挖掘的一個(gè)重要研究領(lǐng)域。它是指從事務(wù)數(shù)據(jù)庫(kù)、關(guān)系數(shù)據(jù)庫(kù)和其它信息存儲(chǔ)中的大量數(shù)據(jù)的項(xiàng)集之間發(fā)現(xiàn)有趣的、頻繁出現(xiàn)的模式、關(guān)聯(lián)和相關(guān)性，即所謂的關(guān)聯(lián) 規(guī)則。其形式為： “X=Y” ，即在設(shè)定的高置信度的規(guī)則下， X 事件發(fā)生了， Y 事件必然發(fā)生。 關(guān)聯(lián)規(guī)則挖掘核心算法為著名的 Apriori算法。當(dāng)然，此后出現(xiàn)了一些相關(guān)算法，諸如 DIC算法 2 、 DLG算法 3 和 DHP算法 4 等，都是基于 Apriori 算法做了改進(jìn)或優(yōu)化而成的。 1.1Apriori 算法 Apriori 算法，是一種挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法，是 Agrawal.R 、 Imieliski.T 等人在 1994第 20屆大型數(shù)據(jù)庫(kù)國(guó)際會(huì)議上提出的 5 ，于當(dāng)時(shí)最具影響力。此算法實(shí)質(zhì)是一個(gè)逐層迭代搜索的方法，利用 K 項(xiàng)集探索 K+1項(xiàng)集。第一次，找出頻繁 1 項(xiàng)集的集合，記為 L1；第二次，利用 L1探索 L2，找出頻繁 2 項(xiàng)集，記為 L2；如此進(jìn)行探索，直至頻繁項(xiàng)集 K 為空，停止。 算法描述如下： Input： Database D， of transactions； minimum support threshold； Output： L， frequent itemsets in D Method： （ 1） L1=find_frequent_1-itemsets（ D）； （ 2） For（ k=2； Lk-1 ； k+） （ 3） Ck=apriori_gen（ Lk-1， min_sup）； （ 4） for each transaction tD （ 5） Ct=subset（ Ck， t）； （ 6） for each candidate c Ct ； （ 7） c.count+； （ 8） （ 9） Lk= cCk |c.countmi n_sup； （ 10） （ 11） return L=kLk ； Procedure apriori_gen（ Lk-1： frequent（ k-1） -itemsets； min_sup： support） （ 1） for each itemset l1 Lk -1 （ 2） for each itemset l2 Lk -1 （ 3） if（ l1 1 = l2 1 ） （ l1 2 = l2 2 ） （ l1 k-2 = l2 k-2 ） （ l1 k-1 = l2 k-1 ） then （ 4） c=l1 l2 ； （ 5） if has_infrequent_subset（ c， L k-1） then （ 6） delete c； （ 7） else add c to Ck； （ 8） （ 9） return Ck； Procedure has_infrequent_subset（ c： candidate k-itemset； Lk-1： frequent（ k-1） -itemsets） （ 1） for each（ k-1） -subset s of c （ 2） if s ！ L k -1 then （ 3） return true； （ 4） return false； 1.2關(guān)聯(lián)規(guī)則的產(chǎn)生 事實(shí)上，當(dāng)從數(shù)據(jù)庫(kù) D 中的事務(wù)找出頻繁項(xiàng)集時(shí)，它們產(chǎn)生的關(guān)聯(lián)規(guī)則是顯而易見(jiàn)的，然而，這些規(guī)則的置信度是不一樣的。因此，和支持度一樣，置信度得設(shè)置一個(gè)閾值。在設(shè)定的置信度閾值和支持度閾值條件下，同時(shí)滿 足這兩個(gè)條件的規(guī)則叫強(qiáng)規(guī)則，這些規(guī)則通常頗為有趣，是關(guān)聯(lián)規(guī)則挖據(jù)的目的。 對(duì)于置信度，可以用下式表示，其中條件概率用項(xiàng)集支持度計(jì)數(shù)表示。 Conference（ A=B） =P（ B|A） =support-count（ A+B）/support-count（ A） 其中， support-count（ A+B）是包含項(xiàng)集 A+B 的事務(wù)數(shù)， support-count（ A）包含項(xiàng)集的 A 的事務(wù)數(shù) 6 。 1.3Apriori 算法優(yōu)化 從算法描述可看出，當(dāng)數(shù)據(jù)庫(kù) D 的事務(wù)達(dá)到一定 規(guī)模時(shí)，算法的空間復(fù)雜度和時(shí)間復(fù)雜度相當(dāng)高。因此，優(yōu)化是必要的，旨在提高原算法的效率。常用方法有：散列技術(shù)計(jì)數(shù)、事務(wù)壓縮、劃分、選樣。還有一些通過(guò)變形實(shí)現(xiàn)有效性，如動(dòng)態(tài)項(xiàng)集計(jì)數(shù)、多層和多維等關(guān)聯(lián)規(guī)則挖掘。 2 實(shí)例分析 2.1挖據(jù)過(guò)程 將 Apriori 算法應(yīng)用于犯罪行為分析，主要目的在于找出案件的各個(gè)特征及犯罪嫌疑人各個(gè)特征之前可能存在的相互關(guān)系，以便找出有用的關(guān)聯(lián)規(guī)則。其挖掘過(guò)程如下： （ 1）數(shù)據(jù)選擇。從犯罪行為數(shù)據(jù)庫(kù)中檢索并選擇與分析任務(wù)相關(guān)的數(shù)據(jù)并消除噪聲信息。 （ 2）數(shù)據(jù)梳理。運(yùn)用減低維數(shù)、連續(xù)數(shù)據(jù)的離散分類(lèi)等將數(shù)據(jù)梳理成標(biāo)準(zhǔn)統(tǒng)一的適合于挖據(jù)的形式。 （ 3）關(guān)聯(lián)規(guī)則挖掘。此步驟較為關(guān)鍵，使用 Apriori算法對(duì)已梳理過(guò)的事務(wù)進(jìn)行關(guān)聯(lián)分析。 （ 4）實(shí)效評(píng)估。通過(guò)調(diào)整支持度閾值及置信度閾值，按照既定的業(yè)務(wù)興趣度量，結(jié)合實(shí)戰(zhàn)檢驗(yàn)，使得過(guò)程挖掘所獲得的知識(shí)結(jié)果更容易接受，且更有價(jià)值。 （ 5）知識(shí)表示與存儲(chǔ)。使用可視化和知識(shí)表示技術(shù)，形成知識(shí)庫(kù)，為決策提供依據(jù)。 其中， Apriori算法是關(guān)鍵。過(guò)程將發(fā)現(xiàn)事務(wù)數(shù)據(jù)庫(kù)中隱藏的形 式為 “A=B” 的規(guī)則，即在一定的支持度和一定置信度下，假如 A 發(fā)生則 B 一定發(fā)生。圖 1 犯罪行為關(guān)聯(lián)規(guī)則挖掘過(guò)程 2.2模型建立 優(yōu)秀的技術(shù)應(yīng)用于具體行業(yè)，要想達(dá)到實(shí)戰(zhàn)的成果，模型的建立尤為重要。而對(duì)于關(guān)聯(lián)數(shù)據(jù)挖掘而言，這個(gè)模型的關(guān)鍵點(diǎn)在于合適事務(wù)數(shù)據(jù)庫(kù)的建立。公安業(yè)務(wù)數(shù)據(jù)庫(kù)巨大無(wú)比，如何梳理，直接影響到挖掘的成果。 在實(shí)際工作中，犯罪兩個(gè)重要的組成是犯罪行為和行為者。因此，從事和人出發(fā)，考慮其特點(diǎn)，以已破的刑事犯罪案件信息數(shù)據(jù)為主導(dǎo)進(jìn)行梳理， 案件信息：編號(hào)、類(lèi)別、時(shí)間、地點(diǎn)、特點(diǎn)、危害程度 、簡(jiǎn)情； 涉案人員：姓名、外號(hào)、性別、民族、出生日期、居民身份證號(hào)碼、籍貫、戶籍地、居住地、文化程度、收入狀況、家庭背景、違法犯罪經(jīng)歷。 本文中，挑選其中主要的八項(xiàng)事務(wù)建立模型：作案形式、選擇時(shí)機(jī)、選擇處所、選擇對(duì)象、案件類(lèi)別、嫌疑人籍貫、嫌疑人年齡、嫌疑人文化。 2.3數(shù)據(jù)抽樣 樣本來(lái)源于某地市 2012年搶劫案連續(xù)抽取的 12個(gè)樣本，并按照模型格式進(jìn)行梳理，其結(jié)果如表 1 所示。 閱讀相關(guān)文檔 :實(shí)施過(guò)程管理在網(wǎng)絡(luò)集成項(xiàng)目中的運(yùn)用 微課開(kāi)發(fā)與應(yīng)用研究 基于 C#的多機(jī)遠(yuǎn)程桌面 監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) 基于 Multigen Creator的三維虛擬校園應(yīng)用研究 基于 CDIO 理念的模擬電路課程教學(xué)改革與實(shí)踐 基于粒子群優(yōu)化算法和 Wiki 的數(shù)字化教材開(kāi)發(fā)研究 Flash 在深度和廣度優(yōu)先遍歷算法教學(xué)中的應(yīng)用 高效運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究 基于 VC+的虛擬示波器軟件設(shè)計(jì) 振鏡式激光打標(biāo)系統(tǒng)及工藝參數(shù)分析 一種基于多因素的潛在好友推薦算法 基于 .NE