模糊规则

模糊属性的数据库你是不是也头大？传统 Apriori 虽然经典，但一上来就给一堆频繁项集，真心不好消化。模糊关联规则格这个思路就蛮不一样的，它是把模糊概念格和关联规则搅一块，搞出了个既能动态构建又能精炼规则的办法。节点和属性项集是一一对应的，这样一来你在构建格的时候，逻辑也更清晰了，是针对动态数据库，增删改数据的时候，不用每次都重新挖一遍规则，节省不少时间。而且，它不像 Apriori 那样死板，需要频繁扫描数据。模糊规则格更像是“边建边挖”，效率还不错，冗余规则少，对用户友好度也高。如果你做的是模糊数据挖掘、个性推荐或者是症状类的，真的可以试试。想补一下相关基础知识的，也可以看看这些文章：A

图6.7展示了kinco hmiware使用手册中的模糊规则观察器。

如果你正在做数据挖掘，尤其是商业规则的提取，模糊神经网络这一方法挺有用的。它结合了模糊系统和神经网络的优点，弥补了神经网络可解释性差的问题。通过建立模糊神经网络，你可以进行规则提取，同时还可以对训练好的网络进行剪裁，提取出模糊商业规则。实际应用中，这个方法更好地和挖掘数据，从而获得更精确的商业决策规则。文中也详细了关键算法的优化，给出的实例效果还不错。

模糊层次结构的关联规则挖掘思路，挺有意思的。尤其是面对数值型数据库时，用一般化的模糊规则来抽象特征，能省不少事。思维方式也贴近人类直觉，尤其适合不确定性强、数据维度又多的场景。 传统的关联规则挖掘有点死板，值一多、层级一复杂，规则就容易碎成一地。而这个方法结合了模糊集合和多层次结构，比如“温度高”这种模糊概念，它不是一个具体数，而是一个范围。抽象出这种模糊层次后，你能挖出更泛化的规律，像“高温下购买冷饮的概率高”，比死盯某个具体温度要实用得多。 而且算法对数值型数据挺友好，不用硬拆成离散区间。适合做消费行为、环境监测类的数据建模。哦对了，建议你看下这几个链接： 模糊关联规则格规则提取方法

讨论了使用Matlab开发运动模糊图像的方法。运动模糊是一种影响普通图像清晰度的现象，介绍了如何利用Matlab工具进行运动模糊处理。

SQL 中使用模糊查询来匹配可能包含未知或不完全信息的查询条件。

实现模糊控制的洗衣机 MATLAB 程序。

数据流挖掘作为热门研究领域，涵盖多种数据流类型。本研究借鉴模糊粗糙集和F-粗糙集原理，提出一种针对模糊型数据流的模糊并行约简方法。该方法通过删除冗余属性，利用属性重要性变化探测模糊概念漂移现象。区别于传统方法，该方法基于模糊数据内在特性进行漂移探测，并通过实例验证了其可行性和有效性。

利用Simulink建模，编写M函数，实现模糊PID控制，对PID控制参数进行调整。

本内容适合于数据挖掘方向的硕士研究生阅读学习，对关联规则与动态关联规则做了简介。