·890 工程科学学报，第38卷，第6期 0.25 0.5833 ☑关联规则树匹配查询 ☒关联规则逐条匹配查询 Then0.4687≤s≤0.5777， 0.20 31=-0.3265-4.4205×(Cr）-3.3825× 1w(H)+3.4450×w(Mo)+0.2379×w(Si)- 0.15 0.6286×0(S) 0.10 Rule2:f0.0945<Te≤0.1435，and0.4638< TnAe≤0.681l,and 0.05 0.1430<TAa≤0.1576，and0.4409< w(Mn)≤0.6929and Iris Wine Seed BreaslCancer 0.2667<e(0)≤0.3778，and0.0000< 数据集 w(Si)≤0.0580，and 图3关联规则查询效率对比 0.3229<心(S)≤0.4271， Fig.3 Comparison of query efficiency for association rule Then0.5913≤s2≤0.7275， 产品质量的关联关系，最终实现中厚板质量的预测，为 s2=0.0111+16.1103Te-0.0397TA- 生产提供有价值的决策支持. 16.1699Ta=+0.1243×w(Mn)-0.9588× 通过数据预处理，最终确定中厚板的力学性能指 e(0)+0.4298×w(Si)-0.0316×w(S) 标一屈服度作为输出变量，其他15个重要变量作为影 其中，T。为中厚板数据中的钢卷厚度，Tn为终轧 响该质量指标的主要因素，分别为钢卷厚度、终轧温度 温度平均值，T。为平均温度，w(Mn)为元素锰的质 平均值、平均温度、铬、铜、碳、氢、锰、钼、镍、氮、氧、硅、 量分数，w(0)为氧元素的质量分数，心(Si)为硅元素 硫和钛的质量分数，并进一步实现离散化.在此基础 的质量分数，w(S)为硫元素的质量分数，w(Cr)为铬 上，首先利用上文提出的算法提取定量关联规则，并根 元素的质量分数，心(H)为氢元素的质量分数， 据定义6重构定量关联规则.针对关联规则前后件各 心(Mo)为钼元素的质量分数，s,为第I条关联规则的 项表示的各个维度的取值区间，获取前后件高斯隶属 屈服度 度函数.为了实现定量关联规则的精确推理预测，将 Rule2中0.0945<Te≤0.1435”表示输入变量Tc 数据按照输出类别划分训练数据，分别对每个规则后 相关的1项集，0.5913≤s2≤0.7275表示输出变量屈 件采用最小二乘算法估计线性表达式系数.此处仅列 服强度相关的1项集. 出了两条中厚板定量关联规则： 为了实现规则的快速匹配学习，根据上文的关联 Rule,:f0.8135<w(Cr)≤0.8645，and0.3333< 规则树的构建方法，第1遍扫描中厚板关联规则得到 w(H)≤0.6333，and 中厚板关联规则项头表如表2所示.接着用表2中的 0.5000<t(Mo)≤1.0000，and0.1530< 序号表示关联规则的各个项，再次扫描转化后的关联 w(Si)≤0.2296，and0.4479<w(S）≤ 规则，构建关联规则树，树中每个中间节点表示项头表 表2中厚板关联规则树项头表 Table 2 Header table of association rule tree with plates 序号 变量 类别 支持度 重要度 最小值 最大值 宽度 20 256 0.001577118 0 0.058047493 0.058047 2 18 1 240 0.002638180 0 0 0 3 14 3 208 0.000542179 0.165354331 0.283464567 0.015805 4 13 1 172 0.002591298 0 0 0 10 160 0.003019993 0.033898305 0.033898305 0 6 17 1 128 0.000579059 0 0.196078431 0.196078 … … … 子 23 2 280 0.305177112 0.455040872 0.0350094 23 3 183 0.468664850 0.5776566769 0.030269 30 23 5 31 0 0.291553134 0.291553 31 23 1 19 0.591280654 0.727520436 0.023767 32 23 15 0 0.058047493 0.058047工程科学学报，第 38 卷，第 6 期 图 3 关联规则查询效率对比 Fig． 3 Comparison of query efficiency for association rule 产品质量的关联关系，最终实现中厚板质量的预测，为 生产提供有价值的决策支持． 通过数据预处理，最终确定中厚板的力学性能指 标—屈服度作为输出变量，其他 15 个重要变量作为影 响该质量指标的主要因素，分别为钢卷厚度、终轧温度 平均值、平均温度、铬、铜、碳、氢、锰、钼、镍、氮、氧、硅、 硫和钛的质量分数，并进一步实现离散化． 在此基础 上，首先利用上文提出的算法提取定量关联规则，并根 据定义 6 重构定量关联规则． 针对关联规则前后件各 项表示的各个维度的取值区间，获取前后件高斯隶属 度函数． 为了实现定量关联规则的精确推理预测，将 数据按照输出类别划分训练数据，分别对每个规则后 件采用最小二乘算法估计线性表达式系数． 此处仅列 出了两条中厚板定量关联规则: Ｒule1 : If 0. 8135 ＜ w( Cr) ≤0. 8645，and 0. 3333 ＜ w( H) ≤0. 6333，and 0. 5000 ＜ w( Mo) ≤1. 0000，and 0. 1530 ＜ w( Si) ≤0. 2296，and 0. 4479 ＜ w( S) ≤ 0. 5833 Then 0. 4687≤sy1≤0. 5777， sy1 = － 0. 3265 － 4. 4205 × w( Cr) － 3. 3825 × w( H) + 3. 4450 × w( Mo) + 0. 2379 × w( Si) － 0. 6286 × w( S) Ｒule2 : If 0. 0945 ＜ TC ≤ 0. 1435，and 0. 4638 ＜ TFt_Aver≤0. 6811，and 0. 1430 ＜ TAver ≤0. 1576，and 0. 4409 ＜ w( Mn) ≤0. 6929 and 0. 2667 ＜ w( O) ≤0. 3778，and 0. 0000 ＜ w( Si) ≤0. 0580，and 0. 3229 ＜ w( S) ≤0. 4271， Then 0. 5913≤sy2≤0. 7275， sy2 = 0. 0111 + 16. 1103TC － 0. 0397TFt_Aver － 16. 1699TAver + 0. 1243 × w ( Mn) － 0. 9588 × w( O) + 0. 4298 × w( Si) － 0. 0316 × w( S) 其中，TC 为中厚板数据中的钢卷厚度，TFt_Aver为终轧 温度平均值，TAver为平均温度，w( Mn) 为元素锰的质 量分数，w( O) 为氧元素的质量分数，w( Si) 为硅元素 的质量分数，w( S) 为硫元素的质量分数，w( Cr) 为铬 元素 的 质 量 分 数，w ( H) 为氢元素的质量分数， w( Mo) 为钼元素的质量分数，syl为第 l 条关联规则的 屈服度． Ｒule2 中“0. 0945 ＜ TC≤0. 1435”表示输入变量 TC 相关的 1-项集，0. 5913≤sy2≤0. 7275 表示输出变量屈 服强度相关的 1-项集． 为了实现规则的快速匹配学习，根据上文的关联 规则树的构建方法，第 1 遍扫描中厚板关联规则得到 中厚板关联规则项头表如表 2 所示． 接着用表 2 中的 序号表示关联规则的各个项，再次扫描转化后的关联 规则，构建关联规则树，树中每个中间节点表示项头表 表 2 中厚板关联规则树项头表 Table 2 Header table of association rule tree with plates 序号 变量 类别 支持度 重要度 最小值 最大值 宽度 1 20 1 256 0. 001577118 0 0. 058047493 0. 058047 2 18 1 240 0. 002638180 0 0 0 3 14 3 208 0. 000542179 0. 165354331 0. 283464567 0. 015805 4 13 1 172 0. 002591298 0 0 0 5 10 3 160 0. 003019993 0. 033898305 0. 033898305 0 6 17 1 128 0. 000579059 0 0. 196078431 0. 196078 … … … … … … … … 28 23 2 280 — 0. 305177112 0. 455040872 0. 0350094 29 23 3 183 — 0. 468664850 0. 5776566769 0. 030269 30 23 5 31 — 0 0. 291553134 0. 291553 31 23 1 19 — 0. 591280654 0. 727520436 0. 023767 32 23 4 15 — 0 0. 058047493 0. 058047 · 098 ·