数据流中频繁模式的评估与维护

研究了数据流中频繁模式的挖掘问题，主要贡献在于：(1)基于启发式思想方法和抽样理论的基础上，提出了基于数据流样本集的分步模式估计方法；(2)算法求解所有长度的模式，而不仅仅是单项集模式；(3)为了找到满足精度要求的恰当的数据流样本集长度，引入了hoeffdingbound理论，并进行了修正，从而使之更适合于这一问题：(4)提出了对估计模式进行在线维护的方法．基于上述方法的基础上，提出了模式估计和维护算法．最后，通过和已有算法进行实验对比分析，结果表明，该算法在结果精度、空间、时间复杂性等方面都适合进行数据流的分析．