频繁项集挖掘的Apriori改进算法研究
Apriori算法的改进及实例
Apriori算法的改进及实例Apriori算法是数据挖掘中常用的一种频繁项集挖掘算法，它可以用来发现数据集中频繁出现的项集，从而为关联规则挖掘提供支持。
Apriori算法在处理大规模数据集时存在效率低下的问题。
对Apriori算法进行改进是一项重要的工作，本文将介绍一些Apriori算法的改进方法以及相关的实例应用。
一、改进方法1. 基于FP树的改进FP树（Frequent Pattern tree）是一种用于高效挖掘频繁项集的数据结构，它可以帮助减少遍历数据集的次数，从而提高挖掘效率。
基于FP树的改进主要包括两个步骤：首先构建FP树，然后通过挖掘FP树来发现频繁项集。
FP树的构建过程包括以下几个步骤：首先扫描数据集，统计每个项的支持度，并按支持度排序；然后根据排序后的项集构建FP树的头指针表和FP树；最后根据FP树和头指针表来挖掘频繁项集。
基于FP树的改进方法可以减少数据集的遍历次数，从而提高挖掘效率。
FP树的数据结构可以更快地发现频繁项集，从而进一步提高算法的效率。
2. 基于集合的预处理在进行频繁项集挖掘之前，可以先对数据集进行一些预处理操作，以减少数据集的规模。
预处理过程可以包括去除低支持度的项，合并相似的项，转换数据格式等操作。
通过预处理，可以减少不必要的计算，从而提高算法的效率。
针对大规模数据集的频繁项集挖掘问题，可以采用并行计算的方法来提高算法的效率。
通过并行计算，可以同时处理多个数据块，从而减少算法的运行时间。
二、实例应用下面我们将通过一个实例来演示Apriori算法的改进及其实际应用。
假设我们有一个交易数据集，其中包括多个交易记录，每条记录表示一次购买行为，包括多个商品。
我们的目标是挖掘出频繁出现的商品组合，以及它们之间的关联规则。
通过以上改进方法的应用，我们可以更高效地挖掘频繁项集，并发现商品之间的关联规则，从而为商家提供更准确的销售策略，为消费者提供更个性化的购物推荐。
Apriori算法是一种常用的频繁项集挖掘算法，但在处理大规模数据集时存在效率低下的问题。
Apriori算法的改进及实例
Apriori算法的改进及实例Apriori算法是一种用于挖掘频繁项集的经典算法，它通过生成候选项集和剪枝的方式来减少搜索空间，从而高效地找到频繁项集。
随着数据规模的不断增大，Apriori算法的效率和性能也受到了挑战。
研究人员们提出了许多改进的方法，以提高Apriori算法的效率和性能。
本文将介绍一些Apriori算法的改进和实例。
1. Apriori算法改进之一：FP-growth算法FP-growth算法是一种基于树结构的频繁项集挖掘算法，它通过构建一棵FP树（频繁模式树）来表示数据集，从而避免了生成候选项集和多次扫描数据集的过程。
FP-growth算法的思想是先构建出数据集的FP树，然后利用FP树来挖掘频繁项集，从而避免了Apriori算法中生成候选项集的过程，大大提高了算法的效率。
下面是一个简单的FP-growth算法的实例：假设有如下的数据集：{1, 2, 3, 4},{1, 2, 4},{1, 2},{2, 3, 4},{2, 3},{3, 4},{2, 4}首先构建数据集的FP树：1) 第一次扫描数据集，统计每个项的支持度，得到频繁1项集{1, 2, 3, 4}和支持度{4, 7, 4, 6}；2) 对频繁1项集根据支持度进行排序{4, 7, 6, 4}，得到频繁1项集的顺序{3, 1, 4, 2}；3) 第二次扫描数据集，创建FP树；4) 根据数据集创建FP树如下图所示：2/| \1 3 4| |4 4FP树的根节点是空集，根据第一次扫描数据集得到频繁1项集的顺序，依次插入树中。
接下来利用FP树来挖掘频繁项集：1) 首先从FP树的叶子节点开始，对于每一个项头表（item header table）中的项，按照条件模式基的方式来获取频繁项集；2) 对于每一个项头表中的项，从叶子节点到根节点回溯，得到条件模式基；3) 对于每一个条件模式基，利用条件FP树来获取频繁项集；4) 依次获取频繁项集{1, 2, 3, 4}、{2, 3, 4}、{2, 4}。
关联规则挖掘中Apriori算法的研究与改进_崔贯勋
收稿日期:2010-05-17;修回日期:2010-07-17。
基金项目:教育部科学研究项目(09yj c870032);重庆市科技攻关计划项目(CSTC2008AC2126;CSTC2009AC2034);重庆市自然科学基金资助项目(CSTC2008BB2065);重庆理工大学科研青年基金资助项目(2010ZQ22)。
作者简介:崔贯勋(1978-),男,河南鄢陵人,实验师,硕士,主要研究方向:数据库; 李梁(1964-),男,重庆人,副教授,主要研究方向:软件工程; 王柯柯(1977-),女,四川南充人,讲师,硕士,主要研究方向:软件工程; 苟光磊(1980-),男,重庆人,实验师,硕士,主要研究方向:人工智能; 邹航(1979-),男,重庆人,实验师,硕士,主要研究方向:数据挖掘。
文章编号:1001-9081(2010)11-2952-04关联规则挖掘中Apri ori 算法的研究与改进崔贯勋,李 梁,王柯柯,苟光磊,邹 航(重庆理工大学计算机科学与工程学院,重庆400054)(cgxy @vi p .qq .co m )摘 要:经典的产生频繁项目集的Apr i o ri 算法存在多次扫描数据库可能产生大量候选及反复对候选项集和事务进行模式匹配的缺陷,导致了算法的效率较低。
为此,对A prior i 算法进行以下3方面的改进:改进由k 阶频繁项集生成k +1阶候选频繁项集时的连接和剪枝策略;改进对事务的处理方式,减少A pr i or i 算法中的模式匹配所需的时间开销;改进首次对数据库的处理方法,使得整个算法只扫描一次数据库,并由此提出了改进算法。
实验结果表明,改进算法在性能上得到了明显提高。
关键词:数据挖掘;关联规则;A pr i or i 算法;频繁项集;候选项集中图分类号:T P311.13 文献标志码:AR esearch and i m prove m ent on Apriori algorith m of associ ati on rule m i ni ngC U I Guan -xun ,L I L iang ,WANG Ke -ke ,GOU Guang -le,i ZOU H ang(S c h ool of C o mpu ter S cience and Eng i n e ering,Chongqing Un i v e rsit y of T ec hnolo gy,Ch ong qi ng 400054,Ch i na )Abstract :T he c lassic Apr i o ri algor it h m for discovering frequent ite m sets scans the database m any ti m es and the pa ttern m atch i ng bet w een cand i date ite m sets and transacti ons is used repea ted l y ,so a large nu m ber of candida te ite m sets w ere produced ,w hich results i n l ow e fficiency o f the a l gor ith m.The i m proved A prior i a l gor it hm i m proved it from t hree aspects :firstly ,the strategy o f the jo i n step and the prune step w as i m proved when cand i da te frequent (k +1)-i te m setsw ere generated from frequent k -ite m se ts ;second l y ,t he m ethod of dea li ng w it h transacti on w as i m proved to reduce the ti m e of pattern m atch i ng to be used i n the Apr i o ri a l gor it hm ;i n the end ,t he me t hod o f deali ng w ith da tabase w as i m proved ,wh ich lead to only once scann i ng o f t he da tabase dur i ng the w ho le course of the a l go rith m.A cco rding to these i m prove m ents ,an i m proved algor it h m was i ntroduced .The effic i ency of A pri o ri algor it h m got i m prove m ent both i n ti m e and i n space .T he experi m ental results o f the i m proved a l gor ith m show that t he i m proved a l go rith m is mo re e fficient than the orig i na.lK ey words :data m i ning ;asso ciati on ru le ;A priori a l go rith m;frequent ite m sets ;candida te i te m se t0 引言关联规则挖掘作为数据挖掘的重要研究内容之一,主要研究事务数据库、关系数据库和其他信息存储中的大量数据项之间隐藏的、有趣的规律。
并行化Apriori算法的改进及其应用
并行化Apriori算法的改进及其应用并行化Apriori算法的改进及其应用一、引言数据挖掘是现代社会中不可或缺的技术之一，它可以帮助人们从大规模数据集中发现有用的模式和信息。
Apriori算法作为一种常用的挖掘频繁项集的方法，被广泛应用于市场篮子分析、网络流量分析、推荐系统等领域。
然而，由于Apriori算法计算复杂度高，当数据集规模庞大时，效率会大大降低。
为了解决这一问题，研究者们提出了许多并行化的改进方法。
本文将介绍并行化Apriori算法的改进及其应用。
二、并行化Apriori算法的改进1. 频繁项集划分传统的Apriori算法将所有的频繁项集保存在一个单一的数据结构中，这在大规模数据集上会导致内存压力增大。
为了解决这一问题，一种改进的方法是将频繁项集划分成多个小的集合，每个集合存放在不同的节点上，并行计算频繁项集。
这样做不仅减轻了内存压力，同时也提高了计算速度。
2. 基于事务划分的并行计算为了进一步提高计算效率，可以将事务数据划分成多个部分，不同的部分分配给不同的处理器并发计算。
这种基于事务划分的并行计算方法可以在不同的处理器上同时进行频繁项集的计算，并将最终的结果合并。
3. 基于候选项集划分的并行计算传统的Apriori算法是通过生成候选项集，并计算其支持度来获取频繁项集。
然而，候选项集的生成过程是非常耗时的。
为了提高计算效率，可以将候选项集划分成多个小的集合，每个集合分配给不同的处理器并行计算。
通过合并每个处理器计算得到的频繁项集，可以得到最终的结果。
三、并行化Apriori算法的应用1. 市场篮子分析市场篮子分析是一种通过分析顾客购买商品的方式来发现商品之间的关联关系的方法。
并行化Apriori算法可以在庞大的购物数据集上高效地找出频繁项集，并进一步挖掘出商品之间的关联规则，从而帮助商家制定营销策略和推荐系统。
2. 网络流量分析并行化Apriori算法可以应用于网络流量分析中，帮助发现网络中的异常事件和活动。
频繁项集挖掘的Apriori改进算法研究
２项集 ，优 化连接 操作减 少连 接判 断 的次 数，通过 对候选 项集 编码来 减少 扫描数 据库 的次数 ，优 化逻辑 “ 与” 明，该算 法具 有快速 、直观 、节 省 内存 等优 点．
运算 减 少不必要 的“ ” 与 操作 次数 ，缩短 生成频 繁项集 的时 间．Ｉ ｐ ｉｒ算 法仅需 ３次 扫描数 据库 ．研究 结果 表 Ａｒ ｉ ｏ
（） ５ （） ６
（） ７ （） ８ （） ９
Ｃ ＝ｓｂ ｅ Ｃ ， ；得 到 ， ｕ ｓｔ ｋ） ／ （ ｔ／ 的子集 ｆｒ ａｈ 候选 ｃ ｔ ｏ ｃ ｅ ∈Ｃ
ｃ ｏｎ ＋ ； ． ｕｔ ＋ ｃ ｝ Ｌ ｛ ∈Ｃ ｃ ｏ ｎ＞ｍｉ ｓｐ｝ ｋ Ｃ ｋ ． ｕｔ ｌｃ ￣ ｎ ｕ
第 ３卷第 ５ ５ 期
２１ ０ １年 ９月
江西 师范 大学学报 （ 自然科学 版）
Ｊ ＲＮ ＦＪＡＮ ＯＵ ＡＬ０ Ｉ ＧＸＩ ＮＯＲ ＭＡＬＵ ＶＥ Ｉ Ｙ（ Ｔ ＡＬＳ Ｉ ＮＣ ） ＮＩ ＲＳＴ ＮＡ ＵＲ Ｃ Ｅ Ｅ
Ｖｏ ． ５Ｎｏ． １３ ５
Ｓｅ ｐ．２ １ ０１
＿
提 出的 Ａ ｒ ｒ算 法最 为著名 该 算法 使用逐 层搜 索 ｐｉ ｉ ｏ
的 迭 代 技 术 ，利 用 已 知 的 频 繁 项 集 来 生 成 频 繁 （ １． ） 项集 ．尽 管 Ａ ｒ ｒ 法直 观，但 实现 起来 需 ｐｉ ｉ算 ｏ 要进 行大 量 计算 ，包 括产 生 大量候 选 项集 和 支持 度
定 义 ２ 项集 的 出现频 率是 包含 项 集的 事务 数， 简称 为项集 的频 率 、支持度计 数或 计数 ． 性 质 １ 任何 频 繁项 集 的非 空子 集也 是频 繁 的， 非 频繁项 集 的超集是 非频 繁的 ．
基于关联规则的Apriori改进算法的研究综述
基于关联规则的Apriori改进算法的研究综述关联规则挖掘是数据挖掘领域中的重要研究方向，在商品推荐、市场营销等领域具有广泛应用。
Apriori算法是关联规则挖掘中最为经典的算法之一，具有易于实现和广泛适用的特点。
但是，Apriori算法在处理大规模数据时面临着计算复杂度高和存储空间大的问题。
近年来，对Apriori算法的改进成为了研究热点，主要包括以下几个方面的改进：1. 改进剪枝策略剪枝策略是Apriori算法中的重要环节，可以大幅度减少不必要的计算。
改进Apriori算法的研究中，常常着眼于改进剪枝策略。
例如，Fast Apriori算法提出了一种新的剪枝策略，它针对频繁项集中的非频繁子集，通过计算非频繁子集的支持度来剪枝。
该算法相比于传统的Apriori算法，能够减少剪枝次数，提高计算速度。
2. 优化候选项集生成Apriori算法中，每次必须生成所有的候选项集，这会导致计算复杂度高和存储空间大。
为了解决这个问题，一些研究者提出了优化候选项集生成的方法。
例如，Eclat算法通过利用垂直数据格式，能够避免反复地生成候选项集，从而减少计算量。
3. 基于分区的并行处理Apriori算法中的计算量非常大，尤其是在大规模数据处理时。
为了提高Apriori算法的计算效率，一些研究者提出了基于分区的并行处理方法。
该方法将数据进行分区处理，并利用多个处理节点并行地处理每个分区，从而大大提高了算法的计算效率。
4. 基于关键字压缩的存储优化Apriori算法在处理大规模数据时，需要占用大量存储空间。
为了优化存储，一些研究者提出了基于关键字压缩的存储优化方法。
该方法利用关键字编码压缩数据，从而大幅度减少算法的存储空间。
综上所述，Apriori算法的改进研究主要集中在剪枝策略、候选项集生成、并行处理和存储优化等方面。
这些改进方法在不同的数据挖掘场景下具有不同的适用性，可以根据具体情况选择最适合的算法。
Apriori算法的改进及实例
Apriori算法的改进及实例Apriori算法是一种非常基础的频繁模式挖掘算法，它通过遍历数据集多次来发现数据集中的频繁项集，从而用于规则挖掘等数据分析任务。
然而，由于该算法在遍历数据集时需多次读取数据，其性能通常较低，特别是当数据集较大时。
因此，有必要对Apriori 算法进行改进，以提高算法的效率。
1. 基于剪枝的改进Apriori算法中最费时间的操作之一是在k-项集中查找k+1-项集的所有候选项，而有些候选项可能并不是频繁项集。
因此，可以通过剪枝来减少候选项集合的大小，从而提高算法的效率。
最常用的剪枝策略是Apriori原理。
该原理指出：如果一个项集是频繁的，那么它的所有子集也必须是频繁的。
因此，在构建k+1项集时，可以先对k项集进行剪枝，丢弃不符合Apriori原理的候选项。
例如，在构建3-项集时，可以通过先对2-项集进行剪枝，丢弃不含有频繁2-项集子集的候选3-项集。
由于Apriori算法需要多次遍历数据集，其处理大型数据集的效率相对较低。
为了解决这个问题，可以采用分布式计算的方法。
分布式计算是一种将计算任务分解成多个子任务，交由多个计算节点进行处理的方法，从而加速计算过程。
基于MapReduce的分布式计算框架是实现Apriori算法的有效方式。
该框架可将大型数据集分成多个块，交由多个计算节点并行地处理。
具体地，每个计算节点会首先对本地数据进行频繁项集的挖掘，然后将挖掘结果上传到总控节点。
总控节点会对所有挖掘结果进行汇总和整合，以生成全局频繁项集。
在Apriori算法中，每个项集的大小和每个项的取值范围都可能不同，因此项集的存储和操作会造成较大的开销。
为了减少开销，可以将项集转换为唯一的哈希值，用哈希表代替原始的项集列表进行存储和操作。
基于哈希表的改进可以大大缩小内存开销，从而提高算法的性能。
同时，哈希表的查找和插入操作均可在O(1)时间内完成，可进一步加速算法的运行速度。
举个例子，当处理一个包含数百万个顾客购买记录的数据集时，可以使用基于哈希的改进，将每个顾客购买记录转换为唯一的哈希值，并将哈希值存储在哈希表中。
Apriori算法的改进及实例
Apriori算法的改进及实例Apriori算法是数据挖掘中常用的关联规则挖掘算法之一，它能够发现数据集中频繁出现的项集及其关联规则。
原始的Apriori算法在处理大规模数据时存在效率低下的问题，因此研究人员提出了许多改进和优化的方法，以提高算法的性能和效率。
本文将介绍Apriori算法的改进方法，并通过实例进行演示。
一、Apriori算法的基本原理Apriori算法是一种基于频繁项集的挖掘方法，它能够从数据集中找出频繁项集及其关联规则。
算法的基本原理是利用Apriori原理，即如果一个项集是频繁的，那么它的所有子集也一定是频繁的。
根据这一原理，算法通过迭代的方式逐步生成频繁项集，然后根据支持度和置信度等指标来发现关联规则。
具体的算法流程如下：1. 首先扫描事务数据库，统计每个项的支持度，并找出频繁1-项集；2. 然后利用频繁1-项集生成候选2-项集，并通过扫描事务数据库统计每个候选2-项集的支持度，筛选出频繁2-项集；3. 依次类推，直到没有新的频繁k-项集生成为止，最后根据频繁项集生成关联规则，并计算它们的置信度。
1. 基于查找表的改进原始的Apriori算法需要多次扫描数据集，统计项集的支持度。
为了避免重复扫描数据集，可以使用查找表来存储项集的支持度信息。
通过构建一个查找表，可以在一次扫描事务数据库后，快速获取项集的支持度，从而提高算法的效率。
2. 剪枝技术的优化Apriori算法在生成候选项集和频繁项集时，采用了自连接和剪枝的技术。
原始的剪枝方法可能会产生大量的候选项集，导致计算复杂度高。
研究人员提出了一些剪枝技术的优化方法，如动态剪枝、预处理剪枝等，以减少候选项集的数量，提高算法的效率。
3. 多层次的数据表示对于大规模数据集，可以采用多层次的数据表示方法，将数据集划分成多个层次，每个层次都是一个粒度较小的子集。
这样可以减少数据集的规模，提高算法的处理效率。
4. 并行化处理随着计算机硬件的发展，可以采用并行化处理的方式来加速Apriori算法的执行。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１０００－５８６２（２０１１）０５－０４９８－０５
频繁项集挖掘的Ａｐｒｉｏｒｉ改进算法研究
栗晓聪滕少华
广东工业大学计算机学院，广东广州５１０００６
摘要：针对Ａｐｒｉｏｒｉ算法的不足，提出了一种新的优化算法—ＩＡｐｒｉｏｒｉ．该算法应用散列技术优化产生频繁－２项集，优化连接操作减少连接判断的次数，通过对候选项集编码来减少扫描数据库的次数，优化逻辑“与”运算减少不必要的“与”操作次数，缩短生成频繁项集的时间．ＩＡｐｒｉｏｒｉ算法仅需３次扫描数据库．研究结果表明，该算法具有快速、直观、节省内存等优点．
Ａｐｒｉｏｒｉ算法；频繁项集；候选项集；ＩＡｐｒｉｏｒｉ算法
ＴＰ３１１Ａ
２０１１－０７－１２
广东省自然科学基金（０６０２１４８４， ９１５１００９００１０００００７）和广州市越秀区科技计划（２００７－ＧＸ－０２３）资助项目．
滕少华（１９６２－），男，江西南昌人，教授，博士，主要从事协同工作、网络安全和数据挖掘方面的研究．
第５期
２０１１年
第５期
＠＠［１］王琳，滕少华，伍乃骐，等．基于协议分析的散列模式入侵检 测方法［Ｊ］．计算机工程与设计，２００６，２７（１）： ５３－５５．＠＠［２］颜跃进，李舟军，陈火旺，等．基于ＦＰ－Ｔｒｅｅ有效挖掘最大频 繁项集［Ｊ］．软件学报，２００５，１６（２）： ２１５－２２２．
＠＠［３］郭宇红，童云海，唐世渭，等．基于ＦＰ－Ｔｒｅｅ的反向频繁项集 挖掘［Ｊ］．软件学报，２００８，１９（２）： ３３８－３５０．
＠＠［４］ Ｈａｎ Ｊｉａｗｅｉ， Ｐｅｉ Ｊｉａｎ， Ｙｉｎ Ｙｉｗｅｎ， ｅｔ ａｌ． Ｍｉｎｉｎｇ ｆｒｅｑｕｅｎｔ ｍａｔｔｅｒｎｓ ｗｉｔｈｏｕｔ ｃａｎｄｉｄａｔｅ ｇｅｎｅｒａｔｉｏｎ ［Ｊ］． Ｄａｔａ Ｍｉｎｎｉｎｇ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒ， ２００４， ８（１）： ５３－８７．
＠＠［５］Ｊｉａｗｅｉ Ｈａｎ，Ｍｉｃｈｅｌｉｎｅ Ｋａｍｂｅｒ．数据挖掘概念与技术［Ｍ］．范 明，孟小峰，译．北京：机械工业出版社，２００７：１６７－１６１．＠＠［６］ Ｗｕ Ｘｉｎｇｄｏｎｇ， Ｖｉｐｉｎ Ｋｕｍａｒ， Ｒｏｓｓ Ｑｕｉｎｌａｎ Ｊ． Ｔｏｐ １０ ａｌｇｏｒｉｔｈｍｓ
ｉｎ ｄａｔａ ｍｉｎｉｎｇ ［Ｊ］． Ｋｎｏｗｌｅｄｇｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ， ２００８，１４（１）： １－３７．
＠＠［７］陈耿，朱玉全，杨鹤标，等．关联规则挖掘中若干关键技术的 研究［Ｊ］．计算机研究与发展，２００５，４２（１０）： １７８５－１７８９．＠＠［８］徐章艳，刘美玲，张师超，等．Ａｐｒｉｏｒｉ算法的三种优化方法［Ｊ］． 计算机工程与应用，２００４，４０（３６）： １９０－１９３．
＠＠［９］傅慧，邹海．基于待与项集的频繁项集挖掘算法的研究［Ｊ］． 计算机工程与设计，２００９，３０（１）： １２９－１３１．
＠＠［１０］徐健辉．生成频繁项集的逻辑“与”运算算法［Ｊ］．计算机应用， ２００４，２４（１１）： ８８－９０．
＠＠［１１］俞燕燕，李绍滋．基于散列的关联规则ＡｐｒｉｏｒｉＴｉｄ改进算法［Ｊ］． 计算机工程，２００８，３４（５）： ６０－６２．
＠＠［１２］柴华昕，王勇．Ａｐｒｉｏｒｉ挖掘频繁项集算法的改进［Ｊ］．计算机 工程与应用，２００７，４３（２４）： １５８－１６１．
Ｔｈｅ Ｒｅｓｅａｒｃｈ ｏｎ Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ Ａｐｒｉｏｒｉ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｍｉｎｉｎｇ Ｆｒｅｑｕｅｎｔ Ｉｔｅｍｓｅｔｓ
ＬＩ Ｘｉａｏ－ｃｏｎｇＴＥＮＧ Ｓｈａｏ－ｈｕａ
频繁项集挖掘的Apriori改进算法研究
作者：栗晓聪， 滕少华， LI Xiao-cong， TENG Shao-hua
作者单位：广东工业大学计算机学院,广东广州,510006
刊名：
江西师范大学学报（自然科学版）
英文刊名：Journal of Jiangxi Normal University（Natural Sciences Edition）年，卷(期)：2011,35(5)
本文链接：/Periodical_jxsfdxxb201105013.aspx。