Ке техника: КЕ Техника | Линии по производству биотоплива

Содержание

«КЕ Техника», г. Тверь :: Деловая Тверь

г. Тверь, ул. Хромова, 84, бизнес-центр

Контакты

Обратите внимание

ВКонтакте

Комментарии

Отзывы

Отзывов пока нет.
Напишите свой, он будет полезен постителям сайта.

Написать отзыв

Похожие организации рядом



«Тигруп»

Сайт завода-производителя станков Тигруп | Сайт завода Тигруп. Производство деревообрабатывающего оборудования.





«Хард»

ХАРД — Деревообрабатывающий инструмент и оборудование | Компания «ХАРД» занимается оптовой и розничной продажей деревообрабатывающего оборудования и инструмента. Мы предлагаем обширный перечень инструмента и запасных частей, а также сопутствующее …




«Дуэт», магазин-склад

«ДУЭТ» магазин-склад | Добро пожаловать в наш магазин. У нас представлен широкий ассортимент товаров для дома, дачи, товары для творчества и праздника. А так же подарочная упаковка. Упаковка для кондитерских изделий …


«Тверьгазсервис», ПО

Тверьгазсервис — завод по производству газовых баллонов в Твери | Завод-изготовитель газовых баллонов малого и среднего объема под технический и медицинский газ. Оптовые скидки. Акции. Работа с розничными и оптовыми клиентами. Доставка газа. Продажа газосварочного оборудования.Купить газовые баллоны с доставкой оптом и в розницу …


«Металлолом»

Приeм металлолома в Твери по лучшим ценам | Металлолом69 | Прием металлолома — основная специализация компании «Металлолом 69», а также прием редких металлов. Только честное взвешивание, только лучшие цены!



 

адрес, телефон, режим работы, сайт, как добраться, отзывы

Перейти к контенту ‘; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-8’, blockId: ‘R-A-644425-8’ }) }) } else { document.getElementById(«content-top-gl»).innerHTML = »; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-9’, blockId: ‘R-A-644425-9’ }) }) } ‘; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-4’, blockId: ‘R-A-644425-4’ }) }) } else { document.getElementById(«content1″).innerHTML = »; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-1’, blockId: ‘R-A-644425-1’ }) }) }

Контакты

Адрес: Россия, Тверь, улица Хромова, 84

Телефон: +7 (4822) 63-31-03

Режим работы: пн-пт 09:00–18:00

‘; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-10’, blockId: ‘R-A-644425-10’ }) }) } else { document.getElementById(«content-middle-gl»).innerHTML = »; window.yaContextCb.push(()=>{ Ya.Context.AdvManager.render({ renderTo: ‘yandex_rtb_R-A-644425-11’, blockId: ‘R-A-644425-11’ }) }) }

Сайт: http://www.ketehnika.ru/

GPS координаты: 35.857045, 56.884915

Категория: Производственное предприятие Тверь, Экологическая организация Тверь

Ке Техника, Тверь, улица Хромова, 84 на карте

Используйте интерактивную карту ниже, чтобы посмотреть, где находится, и как добраться до Ке Техника, Тверь, улица Хромова, 84.

Понравилась статья? Поделиться с друзьями:

«2597» («ТЕ-КЕ»). Бронетанковая техника Японии 1939

«2597» («ТЕ-КЕ»)

На основе «92» фирма «Токио Гасу Дэнки» построила два прототипа нового малого танка — с передним и задним расположением двигателя. Выбран был второй вариант: в кормовой части клёпаного корпуса устанавливался двухтактный рядный дизельный двигатель «O.H.V.» и коробка передач, в передней — механизм поворота и редукторы. Рубка механика-водителя была перенесена влево и получила более выгодную полуконическую форму. Подвеска — по схеме «94», но со сдвоенными опорными катками. Танк отличала небольшая высота и рациональные углы наклона бронелистов корпуса. Новая машина получила обозначение «2597» («Те-ке») и вооружалась 37-мм пушкой «94» или 7,7-мм пулемётом, которые размещались в одноместной цилиндрической башне. Для посадки экипажа предназначались люки в крыше башни и рубки. Смотровой лючок механика-водителя прикрывался бронекрышкой с открытой смотровой щелью. Система охлаждения двигателя включала два вентилятора, система питания — два топливных бака на 59 и 32 л. Выхлопная труба выводилась вперёд вдоль правой надгусеничной полки. Производство танка наладила также фирма «Икегаи Дзидоша», их выпуск продолжался до 1942 года.

«2597» («ТЕ-КЕ»)

«Те-ке» был неплохим разведывательным танком, если не считать отсутствия средств связи. Он участвовал в боях в Китае, Бирме, на островах Тихого океана. Для увеличения запаса хода к нему были разработаны бронированные гусеничные прицепки-канистры. Для их буксировки «Те-ке» снабжался подрессоренным крюком. На шасси «Те-ке» строились самоходные 37-мм и 47-мм противотанковые пушки, грузовые и специальные транспортёры — например, полубронированный транспортёр «97» для прокладки кабеля.

ТАКТИКО-ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ МАЛОГО ТАНКА «2597» («ТЕ-КЕ»)

БОЕВАЯ МАССА, т: 4,8.

ЭКИПАЖ, чел.: 2.

ГАБАРИТНЫЕ РАЗМЕРЫ, м: длина — 3,68, ширина — 1,8, высота — 1,9, клиренс — 0,34.

ВООРУЖЕНИЕ: 1 пушка «Тип 94» калибра 37 мм.

БОЕКОМПЛЕКТ: 66 выстрелов.

БРОНИРОВАНИЕ, мм: лоб корпуса — 12, борт — 16, башня — 12.

ДВИГАТЕЛЬ: «Икегаи», 4-цилиндровый, дизельный, воздушного охлаждения; мощность 65 л.с. при 2300 об/мин.

ТРАНСМИССИЯ: редуктор, коробка передач (4+1), карданный вал, конические шестерни, бортовые фрикционы, однорядные бортовые редукторы.

ХОДОВАЯ ЧАСТЬ: (на один борт) четыре сплошных опорных катка, два поддерживающих ролика, ведущее колесо переднего расположения (зацепление цевочное), направляющее колесо опущено на землю; подвеска типа Хара; гусеница мелкозвенчатая, с открытым шарниром и одним гребнем, шириной 200 мм, шаг трака 76 мм.

СКОРОСТЬ МАКС., км/ч: 40.

ЗАПАС ХОДА, км: 250.

ПРЕОДОЛЕВАЕМЫЕ ПРЕПЯТСТВИЯ: угол подъёма, град. — 35, ширина рва, м — 1,6, глубина брода, м — 0,8.

METRO Кеш енд Керрі Україна — товари для всіх

Назад

Детально Асортимент

Молочні продукти

Бакалія

Риба та морепродукти

М’ясо та птиця

Алкогольні напої

Кондитерські вироби

Безалкогольні напої

Будинок та відпочинок

Овочі та фрукти

Краса і здоров’я

Побутова техніка

Заморожена продукція

Офісні товари

Побутова хімія

Дитяче харчування

Товари для тварин

Фермове Всі…

чего ждать от фильма «Все везде и сразу». Ридус

В четверг, 7 апреля, в России стартует фантастическая комедийная экшен-драма «Всё везде и сразу» от режиссеров фильма «Человек — швейцарский нож». Главную роль в сумасшедшем жанровом киномиксе заполучила звезда лент «Мемуары гейши» и «Крадущийся тигр, затаившийся дракон» Мишель Йео, а компанию ей составляют Джейми Ли Кертис, движущая сила франшизы «Хэллоуин», и Ке Хюи Куан.

Фактически артхаусный блокбастер — одно из главных событий в отечественном прокате этого месяца. Фильм, весьма своеобразно иронизирующий над канонами супергеройских лент, уже отсмотрен и нам есть о чем вам рассказать.


Официальный синопсис выглядит следующим образом:

«Эвелин получает доступ к воспоминаниям, эмоциям и невероятным способностям других версий себя. Теперь она может прожить тысячи жизней и быть кем угодно — известной актрисой, мастером боевых искусств, оперной дивой и даже небесным божеством. Но всем мультивселенным угрожает таинственная сущность, с которой Эвелин предстоит сразиться. Как знать, возможно, заодно она разберётся и с самым страшным злом — своими налогами».

В центре сюжета — семейство Вонг, которое держит в Штатах старую прачечную. Проблем у этой семьи хватает с избытком.

© A24

С первого момента мы видим людей, которые друг от друга очень сильно устали. Матриарх семейства Вонг — Эвелин — разрывается между устроением праздника для престарелого отца, ведением работы в собственной прачечной и попыткой хоть как-то разобраться с подсчетом налогов и заполнением бумаг. Ее муж изо всех сил пытается помочь супруге, тем временем нося в кармане уже подписанное заявление на развод.

Дочка Вонгов Джой переживает из-за того, что не может познакомить свою девушку с дедушкой (отцом Эвелин), поскольку мать не в восторге от возможной реакции представителя самых старых правил и жизненного уклада. Впереди у Вонгов — встреча в налоговой инспекции, которая решит судьбу их порядком зачахшего бизнеса и может оставить всю семью без гроша в кармане. Отсюда и стартует та сумасшедшая история, которую для нас закрутили Дэн Кван и Дэниел Шайнерт, поставившие картину и написавшие к ней сценарий.

Разобраться с налогами для Эвелин станет большим испытанием. Но не главным.

© A24

Мультивселенная и различные версии одного и того же человека ныне являются темой, которая уже неслабо популяризирована в фильмах вселенной Marvel. Наверняка факт того, что кто-то решился по полной высмеять клише и перипетии сюжетных шаблонов супергеройского кино, сыграл не последнюю роль для режиссеров третьих и четвертых «Мстителей» Джо и Энтони Руссо, которые подключились к фильму Дэниелов в качестве продюсеров.

Если вы уже видели предыдущую полнометражную работу дуэта постановщиков — фильм «Человек — швейцарский нож» с Дэниелом Редклиффом и Полом Дано, значит, вы знаете, чего ожидать, ибо своему фантасмагоричному стилю Дэниелы не стали изменять, лишь усилив свою любовь ко всему необычному.

Если же «Все везде и сразу» станет вашим первым знакомством с творчеством Дэниелов, то приготовьтесь к тому, что вас неоднократно будет посещать мысль, что такую сумасшедшую дичь вы еще ни разу в жизни не видели.

Экшен-сцены с Йео и Кёртис выглядят и захватывающе, и совершенно несерьёзно.

© A24

Название максимально точно характеризует происходящее на экране. Картина одновременно совмещает кучу всего того, что мы обычно видим в кино разве что по отдельности — историю замученных жизнью людей, фантасмагорию на тему мультивселенных, оммажи на культовые азиатские боевики и многое другое.

Казалось бы, у ленты самый типичный сюжет: к совершенно ординарному герою приходит вестник, возвещающий, что он (в нашем случае — она) является тем самым Избранным, способным спасти всех и вся. Но здесь основное клише супергеройских фантастических картин подвергается такому количеству стёба и самоиронии, что поневоле салютуешь смелости постановщиков, ведь они фактически поиздевались над негласным каноном гиков всего мира.

Даже экшен-сцены не стесняются выйти за рамки предложенных стандартов, предлагая использовать все возможные варианты развития событий. Особенно самые неправдоподобные.

© A24

Сумасшедшим в ленте стало абсолютно всё. Например, чтобы переместиться в другую версию самого себя в ином измерении, героям нужно сделать нечто чересчур странное. Например, поменять местами кроссовки и надеть их не на ту ногу или съесть помаду. Или стать «шашлычком», как завещал снеговик Олаф из «Холодного сердца». Это нельзя объяснить, каждый должен увидеть это сам.

Фантастика и экшен здесь тесно сплетены с основной историей, выводя драму Эвелин на новый уровень. Пытаясь понять и принять выбор дочери-лесбиянки, она сталкивается с осознанием того, насколько сильно запустила свою жизнь, при этом похоронив все свои мечты. Когда героиня сталкивается с фактом того, что из всех измерений и версий самой себя она — самая ординарная и невыдающаяся, каждый зритель почувствует укол разочарования. Ведь когда с детства каждому из нас твердят, что мы уникальны, страшно подумать, что на самом деле это не так.

Ке Хюи Куан в детстве сыграл в третьем «Индиане Джонсе» и «Балбесах» Ричарда Доннера. Последние десятилетия когда-то многообещающий юный актер ставил боевую хореографию для многих современных экшен-фильмов.

© Ley Line Entertainment

На фоне происходящих событий, которые сменяют друг друга невероятно стремительно, не сразу понимаешь, что ни одно клише не обошли стороной, чтобы видоизменить до совершенно противоположного состояния. Например, в нас просто кинут эпизодом, который убьет напрочь бабушкино вечное: «Все, что ни делается, все к лучшему, могло ведь быть и хуже». А ведь могло и лучше, бабуль. Только мы, в отличие от Эвелин, об этом никогда и не узнаем.

Конечно, такой сценарий могла бы похоронить плохая актерская игра, но фильм обладает талантливым актерским составом, где каждому удалось по максимуму отработать самых разных героев одновременно. Мишель Йео — роскошная женщина, которая одинаково хороша и в драме, и в экшене, — смогла сыграть героиню, совершенно не похожую ни на что, что мы видели на экранах ранее в ее исполнении. Усталая и разбитая Эвелин проходит через миллионы приключений ради всего одной цели, которая раскроется лишь перед самыми титрами.

Бодрую Джейми Ли Кёртис, которая еще совсем недавно разносила Майкла Майерса в новом «Хэллоуине», здесь вообще легко не узнать, настолько состарили опытную и знаменитую актрису. Однако и ей удалось переключиться со сварливой бухгалтерши на злобную убийцу, одержимую уничтожением главгероини. И сделать это убедительно.

Вот вы узнаете в этой старушке звезду «Хэллоуина» и «Правдивой лжи»?

© A24

Видно, что актеры по-настоящему кайфовали от своей задачи, резко переключаясь на разные характеры своих героев, которых им предстояло играть. Ке Хюи Куан смотрелся одинаково убедительно и в роли чувствительного мужа властной женщины, и в образе Морфеуса местного разлива, что можно сказать и про дебютантку Стефани Сюй.

И каст вполне можно понять — не так часто выпадает шанс нырнуть в настоящее море абсурда с серьезным лицом, воплощая такие идеи, какие не снились многим даже в самых смелых снах. И да, абсурд здесь на абсурде, абсурдом погоняемый. Мейнстриму такой подход чужд, и наверняка найдутся люди, для которых перелом шаблонов станет очень болезненным, однако не на них и ориентировались создатели, превращая вывернутые наизнанку задумки в проект своей мечты.

Чего смеяться — в фильме есть эпизод с измерением, где у главных актрис вместо пальцев на руках — сосиски, а все основные действия они выполняют ногами! Просто ЧТО?!

© A24

Что же в итоге? Такого коктейля вы точно еще не видели, и ощущения, которые вы испытаете, очень трудно предсказать или даже предугадать. Однако если отбросить предрассудки, то перед вами может открыться по-настоящему уникальный киноопыт, который несравним ни с чем из того, что вы видели прежде.

Каждый из зрителей увидит здесь что-то свое. Кто-то сосредоточится на крышесносных переключениях сюжета, кто-то будет ждать объяснения темы мультивселенных, а кому-то зайдет история женщины, которая пытается понять себя и своего ребенка. Это словно поход на самые сумасшедшие американские гонки — повторить захочется не каждому, но без впечатлений от этого аттракциона вы точно не останетесь.

«Всё везде и сразу» — в российских кинотеатрах с 7 апреля.

На прошлой неделе в прокат вышла драма «Сядь за руль моей машины» — лауреат «Оскара-2022» в номинации «Лучший фильм на иностранном языке». Рецензия на японскую экранизацию рассказа Харуки Мураками уже доступна для прочтения.

Академия массажа Ке Кино и Институт исцеления

Бодибилдинг для младенцев

Bodywork для младенцев Ke Kino разработан с учетом особого подхода к лечению младенцев. Часто младенцы, и особенно новорожденные, не так миролюбивы, как мы думаем. Это может быть вызвано рядом причин, в том числе проблемами выравнивания из-за родовой травмы, запланированным или незапланированным кесаревым сечением, узами языка и губ, проблемами с кормлением, трудностями в общении и ожидаемыми ограничениями, связанными с пребыванием в утробе матери.Под руководством Джона Джеймса и в сотрудничестве с передовыми терапевтами Ke Kino, имеющими многолетний опыт, Bodywork for Babies оказывает мягкое прикосновение к самым маленьким из нас, восстанавливая здоровье как ребенка, так и матери.

В чем уникальность Bodywork for Babies?

Есть три характеристики нашей трудовой этики, которые обеспечивают нашим пациентам — включая ребенка, мать, отца и часто всю семейную динамику — необычные результаты.

  1. Мама включена – Работа с телом для младенцев ведет к лечению, направленному на удовлетворение потребности матери в работе с телом, фактически, это требование.Между матерью и ребенком существует глубокая связь, и на самом деле в течение первых нескольких месяцев вне утробы ребенок еще не понимает, что между матерью и ребенком существует физическое разделение. Результаты резко различаются, когда удовлетворяются потребности обоих.
  1. Совместный подход – Ke Kino включает в себя множество терапевтов, доступных для Bodywork for Babies, работающих совместно с нашими пациентами. Здесь нет строгой иерархии, мы просто обеспечиваем наилучшее соответствие конкретным задачам.Нередко ребенок получает работу за более чем 75-летний опыт коллективной работы. На самом деле, Ke Kino обладает более чем 125-летним опытом работы наших терапевтов.
  1. Различные дисциплины – Работа с телом для младенцев включает несколько дисциплин, включая краниосакральную терапию, миофасциальное расслабление, техники лимфодренажа и множество различных способов расслабления и возрождения. Bodywork for Babies — это не универсальное решение, которое настраивает лечение в зависимости от потребностей пациента.

 

Области внимания

Повторное рождение

Большинство родителей, особенно матери, составляют план родов или, по крайней мере, имеют какое-то представление о том, что они представляют для рождения. Однако роды редко проходят на 100% по плану. Повторное рождение основано на вере в то, что какая-то часть рождения происходила слишком быстро, слишком медленно или полностью отсутствовала, из-за чего ребенок пропустил физическое освобождение, которое у него было бы в противном случае. Часто это означает, что у малыша сохраняются биологические расстройства.

Перерождение помогает завершить незавершенный биологический процесс. Когда и мать, и ребенок ожидали пройти через процесс, которого не произошло или произошло неправильно, повторное рождение исправляет это.

Повязка для языка и губ

Часто связанный с геном MTHFR, некоторые дети рождаются с укорочением языка и/или губ. Это происходит, когда необычно короткая, толстая или тугая полоска ткани, уздечка языка, привязывает нижнюю часть кончика языка ко дну рта.Когда присутствует уздечка языка, часто также присутствует уздечка губ. Подобно уздечке языка, уздечка губ возникает, когда тугая уздечка губ удерживает верхнюю губу привязанной к линии десен. Связки языка и губ могут вызывать проблемы с кормлением и пищеварением, создавать ненужные пространства при прорезывании зубов, а также могут привести к проблемам с речью.

Язык и губы, как правило, должны быть освобождены, но есть различие между физическим освобождением, то есть фактическим разрезом, например, с помощью лазера, и фактически созданием большей подвижности за счет работы с телом, так что линия лица действительно освобождается.Без настоящего релиза в будущем предстоит проделать больше работы.

Bodywork for Babies работает с нашими пациентами с узлом языка и губ, чтобы определить наилучшую форму лечения. Мы оказываем немедленную помощь и поддержку, а иногда оказывается, что галстуки не требуют фактического разрезания. Когда для завершения релиза требуется надрез, мы работаем с пациентами вплоть до физического релиза, иногда сопровождая их на процедуру лечения, чтобы обеспечить наилучшие возможные результаты.

Поддержка VBAC

После кесарева сечения многие женщины мечтают о вагинальных родах после кесарева сечения (VBAC). Из-за физической травмы, связанной с кесаревым сечением, включая саму операцию, рубцовую ткань и многое другое, работа с телом является необходимой частью процесса заживления, чтобы можно было родить через естественные родовые пути.

Bodywork Ke Kino высвобождает рубцовую ткань как в области хирургического вмешательства, так и по всей брюшной полости, устраняет «липкость», которая может возникнуть в результате воздействия кислорода во время кесарева сечения, и воздействует на висцеральную систему.Помимо работы с телом, у Ke Kino есть сеть специалистов по родовспоможению, дружественных к VBAC, и она работает над тем, чтобы мама получила наилучшую поддержку для успешного VBAC.

Связь матери и ребенка

Исследования показывают, что ребенку требуются месяцы, чтобы осознать, что он/она находится не в том же теле, что и мама, после рождения. Между мамой и ребенком существует очень сильная физическая и эмоциональная связь, однако, когда в процессе родов происходит отклонение и возникает родовая травма, качество этой связи может снизиться.Не из-за отсутствия желания, а из-за физической травмы.

Ке Кино работает как с мамой, так и с ребенком, чтобы установить связь. Обычно это делается через перерождение. Работа с телом связана с травмой и работает над ее исправлением, чтобы восстановить связь матери и ребенка.

Детский массаж

Ke Kino предлагает курсы детского массажа для воспитателей. Пожалуйста, свяжитесь с нами, если вы хотите узнать, когда будет доступно следующее занятие по детскому массажу, или если вы хотите запланировать частное занятие.

 

 

Уход до и после операции

Хирургия, хотя часто и необходима, организму трудно метаболизировать. У тела нет категории для хирургии. Он просто рассматривает события или функции как безопасные или небезопасные, не травмированные или травмированные.

Терапевты Ke Kino занимаются лечением тела до и после операции. Это включает в себя висцеральные манипуляции, работу с фасциями, восстановление лимфотока, краниосакральную терапию, высвобождение рубцовой ткани, коррекцию дыхания и многое другое.Работа с телом перед операцией обеспечивает более успешную операцию и более быстрое выздоровление

 

Техника мышечной энергии (МЭТ)

Многие из нас испытывают боль из-за того, что мышцы застряли в компенсаторном паттерне из-за повторяющегося характера работы большинства людей, повседневной жизни, плохой осанки и отсутствия физических упражнений. Это приводит к сбою в неврологической цепи проприорецепторов, производящих «включенные» или гипертонусные мышцы, что со временем может создать компенсацию в рамках хрупкого баланса нервно-мышечной системы.МЕТ (техника мышечной энергии) представляет собой систему техник, которые могут активировать, деактивировать или переобучать мышцы, мышечные волокна или группы мышц, чтобы восстановить баланс нервно-мышечной системы.

 

Нахождение нуля

Управление стрессом является проблемой для многих. Как правило, стресс отслеживается на основе нашего среднего ежедневного уровня стресса, но с новым подходом цель Ke Kino — достичь состояния спокойствия или нуля.

Finding Zero использует комбинацию телесной работы с медитацией и молитвой для ускоренного управления стрессом.

MICA 3-го поколения с методикой «K-wires-first» — пошаговая инструкция и предварительные результаты | BMC Нарушения опорно-двигательного аппарата

Предоперационное планирование

Получаются обзорные рентгенограммы пораженной стопы с нагрузкой. Используется дорзо-плантарная рентгенограмма, имитирующая правильное размещение винтов, включая расчетную длину, точки входа и угол наклона, а также необходимую степень смещения головки 1-й плюсневой кости. Величина смещения головки плюсневой кости определяется требуемым охватом сесамовидных костей.В отличие от открытой шевронной остеотомии, смещение 80–100% и более (по отношению к ширине диафиза плюсневой кости на высоте остеотомии) легко осуществимо при использовании процедур MICA 3-го поколения. Таким образом, межплюсневый угол I/II может иметь меньшее значение, чем ширина 1-й плюсневой кости и первой перемычки. Хотя это и не требуется в каждом отдельном случае, остеотомия Акина не только рекомендуется для исправления патологической вальгусной деформации межфалангового пальца, но и облегчает центрирование (внешних) сухожилий, которые прикрепляются к большому пальцу, и может действовать как тетива, усиливающая развитие бурсита большого пальца стопы. повторение.Кроме того, остеотомия Акина может улучшить эстетический результат. Таким образом, остеотомия по Акину все же может быть показана и рекомендована, несмотря на физиологический вальгусный межфаланговый угол. Сильная и надежная трехточечная фиксация (медиальная кора, латеральная кора, головка 1-й плюсневой кости), обеспечиваемая проксимальным винтом, и дополнительная двухточечная фиксация вторым, дистальным антиротационным винтом (медиальная кора и головка плюсневой кости) желательны для обеспечения возможности смещение более 50%. При планировании и проведении операции необходимо обеспечить наилучшее размещение проксимального винта через оба кортикальных слоя и не выходить из диафиза плюсневой кости через остеотомию, чтобы гарантировать максимальную стабильность фиксации винта (рис.1).

Рис. 1

Предоперационное планирование шевронной остеотомии: Черная линия указывает уровень и длину остеотомии. Синяя линия имеет ту же длину, что и черная. Перекрытие обеих линий (черная и синяя) моделирует величину латерального смещения по отношению к ширине диафиза плюсневой кости на уровне остеотомии (в данном случае ~ 60–70%). Белые линии имитируют ориентацию и длину обоих винтов. Черные кружки демонстрируют кортикальные точки фиксации винтов.Проксимальный винт проходит через латеральный кортикальный слой, дистальный винт проходит через остеотомию

Положение пациента и предоперационная подготовка

рентгенопрозрачный стол. С помощью адекватной опоры под колено пораженную ногу сгибают в тазобедренном и коленном суставах таким образом, чтобы стопа находилась в стопоходящем положении по отношению к операционному столу, параллельно полу и детектору С-дуги.Это облегчает интраоперационную ориентацию и рентгеноскопию без необходимости изменять положение С-дуги стандартного размера для любой из требуемых рентгеновских плоскостей (дорсо-подошвенной [д.п.], боковой и косой) (рис. 2).

Рис. 2

Модифицированное позиционирование пациента с использованием С-дуги стандартного размера до (левое изображение) и после (правое изображение) стерильной салфетки: бедро и колено согнуты, чтобы стопа могла находиться в стопоходящем положении во время операции стол, параллельный полу и детектору флюроскопа.Таким образом, возможна легкая маневренность вокруг стопы для дополнительных процедур (например, ДММО) без перемещения С-дуги. Выполняя внешнее вращение в бедре, можно получить настоящий боковой обзор. Косой вид достигается за счет незначительной внутренней ротации в тазобедренном суставе. Обратите внимание на салфетку под столом радиационная защита

Перед стерильным мытьем и накладыванием салфеток на стопу и голеностопный сустав пациента в соответствии с предпочтениями хирурга применяется радиационная защита как для пациента, так и для хирурга.Поскольку хирург будет сидеть на противоположной стороне параллельно пациенту, чтобы можно было проводить операцию с медиальной стороны пораженной стопы, к соответствующей стороне операционного стола прикрепляют коврик для защиты от радиации. Как было показано ранее при чрескожных коронарных процедурах, использование дополнительного защитного экрана, размещенного под операционным столом, связано со значительным снижением лучевой нагрузки на оператора [25]. Кажется, нет никакой разницы, какая защита используется (занавеска или шторка).драпировка). Мы используем простыню под экраном , которая легко надевается на любой стандартный операционный стол и не ограничивает свободу движений хирурга или С-дуги (если это необходимо для дополнительных процедур). Дополнительная радиационная защита хирурга в дополнение к свинцовому фартуку включает в себя специальный рентгенозащитный щитовидный воротник, -очки и -головной убор [26]. Жгут накладывается на бедро, но обычно не активируется. Активация жгута обычно не требуется и не рекомендуется, поскольку небольшой приток крови от остеотомии поможет рассеять тепло, создаваемое сверлом.Тем не менее, жгут может быть полезен или необходим для дополнительных процедур. В случае маловероятного случая конверсии в открытую хирургическую коррекцию вальгусной деформации может быть целесообразным наложение жгута. Командный тайм-аут согласно рекомендациям ВОЗ проводится со всеми бригадами, участвующими во время операции. Пинч-тест проводится для обеспечения адекватной анестезии. Видимые и пальпируемые анатомические структуры, особенно выступающие подкожные вены, отмечают стерильной ручкой. Это может помочь избежать случайного повреждения во время установки спицы К и винтов.

Машины и инструменты MIS

Необходимое специальное оборудование состоит из специальной дрели с высоким крутящим моментом и низкой скоростью, которая может быть оснащена различными боровыми головками. Встроенная система промывания жидкостью очень удобна, так как нет необходимости в дополнительной руке для промывания и охлаждения остеотомии. Использование стандартного ручного электроинструмента не рекомендуется. Высокий об/мин , компенсирующий низкий крутящий момент, приведет к нагреву, некрозу и несращению.

Кроме этого, для внутренней фиксации используются канюлированные компрессионные винты без головки, предпочтительно со скошенной головкой.В настоящее время несколько производителей предлагают специальные винты MICA разных диаметров. Винты, используемые у наших пациентов, представляют собой полнорезьбовые, канюлированные и безголовочные компрессионные винты диаметром 4,0 мм и 3,5 мм для шевронной остеотомии и 2,5 мм для остеотомии Акина ( FT Screw , Arthrex©). Прямые и изогнутые элеваторы облегчают рычажный маневр и смещение головки плюсневой кости. Хирургический скальпель с лезвием SM64 используется для небольшого разреза кожи и бокового высвобождения (рис.3).

Рис. 3

Оборудование, необходимое для MICA: Консоль МИС с переменной скоростью об/мин и крутящим моментом, встроенная дополнительная ирригация и охлаждение (Arthrex AR-200 M), скальпель с бобровым лезвием, различные рашпили и элеваторы, канюлированные без головки винты (не показаны)

Размещение спицы К

Операция начинается с правильного размещения первой спицы К, введенной чрескожно через медиальное основание первой плюсневой кости. Оригинальные 1,1-мм проводники, которыми снабжены канюлированные винты, обычно недостаточно прочны, чтобы обеспечить правильное размещение и перфорацию латерального кортикального слоя в желаемом положении, поскольку они имеют тенденцию соскальзывать и скользить в медуллярном канале диафиза плюсневой кости, если вводятся в довольно низком положении. угол относительно плюсневой поверхности.Таким образом, спица К диаметром 2,0 мм или стандартное сверло диаметром 2,0 мм используются для создания перфораций, необходимых для определенных проволочных направителей, которые необходимо будет заменить позже в ходе процедуры (рис. 4а-с).

Рис. 4

Правильное размещение двух спиц К 2,0 мм, которые подготавливают правильное размещение определенных спиц-проводников: a Обратите внимание на выступающие подкожные вены, которые отмечены стерильной ручкой, чтобы избежать случайного повреждения. Интраоперационно истинный д.п. и боковой вид можно легко получить без изменения положения флюроскопа. b Рентгеноскопический контроль правильного размещения спицы К. Первая/проксимальная спица К выходит из латерального кортикального слоя MT1 проксимальнее места остеотомии. Оба провода K проходят параллельно оси вала MT1. c Модель пилообразной кости, демонстрирующая точку выхода первой/проксимальной спицы К 2,0 мм проксимальнее места планируемой остеотомии (черная линия) очень плоский ход проволоки/винта для выхода из латерального кортикального слоя непосредственно проксимальнее места запланированной остеотомии и захвата головки плюсневой кости в ее латеральной половине.Чем ниже межплюсневый угол I/II (IMA I/II), тем сложнее может стать этот этап процедуры. Вот почему легкие деформации с низким IMA I/II, по сравнению с умеренными и тяжелыми состояниями Metatarsus primus varus , могут быть более трудными для коррекции с помощью методики K-спицы с использованием двух параллельных винтов в начале кривая обучения. Соответствующее сгибание спицы Края, которое приводится в действие стандартным электроинструментом, и отведение передней части стопы (оттягиванием меньших пальцев стопы в стороны) может помочь установить первую спицу Края в правильное положение.Перед проникновением в латеральную кору необходим рентгеноскопический контроль в дорзо-плантарной (д.п.) и боковой проекциях, чтобы обеспечить оптимальное размещение спицы К. Множественные перфорации латеральной коры усложнят нахождение точного места в процессе замены исходных спиц К-проводников и излишне ослабят костную структуру. После того, как рентгеноскопически подтверждено правильное положение спицы К, проникают в латеральную кору головного мозга. Второй K-образный провод размещается соответственно прибл.на 1,0–1,5 см дистальнее и параллельно первой спице. Идеальное размещение первой проволоки облегчает безопасное размещение второй (рис. 4а-в). Поскольку вторая спица выходит из 1-й плюсневой кости через плоскость остеотомии, она не перфорирует латеральный кортикальный слой.

Остеотомия

V-образная остеотомия Chevron 3-го поколения MICA отличается от традиционной открытой операции Chevron. Дорсальный отруб ориентирован вертикально, подошвенный отруб довольно короткий. Как отметил один из его создателей Дэвид Редферн, MICA отличается от классического открытого шеврона как положением, так и геометрией.Чрескожный двухплоскостной шевронный разрез обычно составляет ∼120–130° [16]. Длинный подошвенный разрез может затруднить латеральное смещение и, что более важно, может помешать безопасному выходу длинного проксимального винта через латеральный кортикальный слой. Недавние исследования продемонстрировали важность внимания к правильной коронарной плоскости в хирургии большого пальца стопы для достижения достаточной коррекции и предотвращения рецидива [27,28,29]. Биомеханическое тестирование, проведенное Aiyer et al. не продемонстрировали существенной разницы в предельной нагрузке, нагрузке на предел текучести и жесткости между конструкциями поперечной и шевронной остеотомии для хирургии MIS вальгусной деформации.Это говорит о том, что одноплоскостная поперечная остеотомия может быть благоприятной для облегчения трехмерной коррекции и одновременного обеспечения сильной фиксации [30]. Место остеотомии также отличается от открытого шеврона и располагается более проксимально, на уровне шейки I плюсневой кости и внесуставно. Рентгеноскопический контроль подтверждает правильное размещение бобрового ножа MIS, используемого для срединного колющего разреза (рис. 5). Портал и соответствующая начальная точка для двухплоскостной остеотомии расположены по средней линии диафиза плюсневой кости.Мягкие ткани вокруг порта для чрескожной остеотомии расширяют тупым инструментом, напр. кровоостанавливающий/москитный зажим, а необходимое рабочее пространство создается тупым элеваторием перед введением кончика бора в медиальную поверхность плюсневой кости. Создание рабочего пространства является обязательным для любой чрескожной процедуры с использованием бора. При обходе инструмента вокруг шейки плюсневой кости дорсально и подошвенно мягкие ткани, прилегающие к кости, освобождаются и приподнимаются, что позволяет безопасно использовать бор (рис.6). Чтобы компенсировать потерю костной массы, вызванную бором (диаметром 2,0 мм), рекомендуется наклон бора на 10°, ориентированный от проксимально-медиального к дистально-латеральному (рис. 7), если длина первого луча должна быть сохранен. После того, как сверло введено и попало в латеральную кору, проверяют рентгеноскопический контроль желаемого положения сверла и при необходимости корректируют его. Проникают в латеральную кору и выполняют дорсальный разрез медленным, но устойчивым движением стеклоочистителя. Небольшие телескопические движения вперед-назад помогают услышать и почувствовать заусенец внутри кости.Незадолго до выхода сверла из дорсальной коры большой палец стопы удерживается в тыльно согнутом положении, чтобы расслабить сухожилия разгибателей и соседние мягкие ткани рядом с остеотомией. После завершения тыльного разреза (рис. 8) бор Шеннона снова вводят через тот же портал и выполняют подошвенный разрез, либо короткий косой разрез, либо завершая вертикальный поперечный разрез. Иногда бор Шеннона необходимо очищать от буровой пыли, чтобы обеспечить неограниченное использование и адекватную резку.По аналогии с тыльным разрезом, незадолго до выхода из подошвенной коры 1-й плюсневой кости большой палец стопы сгибается в MTP1, чтобы расслабить сухожилия сгибателей. Полноту одно- или биплоскостной остеотомии проверяют по перемещению головки плюсневой кости и ее подвижности. Смещение достигается путем введения элеватора в костномозговой канал диафиза плюсневой кости и использования рычага против медиальной части головки, чтобы вытолкнуть его латерально (рис. 9a-c). На этом этапе очень важно избегать случайного дорсального или подошвенного неправильного положения, а также вращения головы в поперечной плоскости и непреднамеренного ухудшения DMAA.Этого можно добиться как помещением наконечника элеватора в ладонь хирурга (с сохранением рычага и смещения), пальпацией головки плюсневой кости между кончиками пальцев (ощущение ее положения относительно длинной оси I плюсневой кости), так и при необходимости , противодействие непроизвольному вращению или наклону головки плюсневой кости путем отведения большого пальца во временное варусное положение. При необходимости на этом этапе можно устранить любую деформацию коронарной плоскости (пронация 1-й плюсневой кости).Оптимальное положение проверяется рентгеноскопически и сохраняется, пока обе спицы К-образного проводника продвигаются в головку плюсневой кости. Коррекция снова контролируется рентгеноскопией во всех трех плоскостях (рис. 9б). В частности, косая проекция помогает обнаружить подошвенную протрузию и субоптимальное размещение спицы Киршнера (рис. 10) [18].

Рис. 5

Правильный уровень кожного разреза для остеотомического портала проверяется рентгеноскопически

Рис. 6

Рабочее пространство, необходимое для безопасной работы бором, создается путем приподнятия мягких тканей вокруг места остеотомии с помощью тупой элеватор

Рис.7

Для компенсации потери костной массы, вызванной бором Шеннона ø 2,0 мм, бор ориентирован под углом 10° от проксимально-медиального к дистально-латеральному (измеряется по перпендикулярному положению бора по отношению к длинной оси MT1)

Рис. 8

После завершения вертикального тыльного разреза снова вводят бор, чтобы сделать короткий подошвенный разрез. Изображение кости пилы демонстрирует дорсальный срез, в котором потеря кости, вызванная фрезой, компенсируется углом остеотомии (слева).На флюороскопическом изображении ориентация остеотомии преднамеренно перпендикулярна длинной оси MT1, чтобы создать легкое укорочение в положении индекса +/- с легкими остеоартритными изменениями MT1

Рис. 9

a Выполнить смещение маневра и латерализации головки плюсневой кости, через портал вводится небольшой элеватор, который помещается внутрь костномозгового канала диафиза MT1. Необходимо соблюдать осторожность, чтобы не сломать костный шарнир в остеопорозной кости.В качестве альтернативы можно использовать прочную спицу К в качестве рычага. Важно избегать непреднамеренного неправильного положения в сагиттальной плоскости (дорсализация/чрезмерная плантаризация). Головку плюсневой кости можно пальпировать между большим и указательным пальцами хирурга до проведения К-спиц. b Непреднамеренной мальротации или наклону головки плюсневой кости и ухудшению DMAA или пронации можно противодействовать, подтягивая большой палец ноги в небольшой варус и деротируя при смещении и продвижении спиц Киршина. c В зависимости от предпочтений хирурга, прямой элеватор может быть благоприятным для большого количества смещений, поскольку изогнутый инструмент будет соответствовать медиальному выступу головки плюсневой кости и уменьшит смещение

Рис. 10

Косой вид, с ротация ноги внутрь при согнутой в тазобедренном и коленном суставах стопе, расположенной параллельно операционному столу, помогает оценить правильное положение спицы К/винта

Введение винта

Первые 2.0 мм К-спицу заменяют специальной проволокой-проводником для канюлированного винта и продвигают к субхондральной кости головки плюсневой кости. Если возможно, предпочтительнее использовать проводник с резьбовым наконечником, чтобы избежать смещения во время процесса сверления. После расширения перфорации кожи, созданной исходной спицей К, бобровым ножом, на длину ок. 5 мм тупо рассекают подкожную мягкую ткань и определяют длину первого винта. Обычно от измеренной длины вычитают 2-4  мм, чтобы избежать выступания.Винты со скошенной головкой, специально разработанные для этой процедуры, могут снизить риск последующего удаления оборудования. Для более короткого, более дистального винта пересверливание канюлированным сверлом требуется только для первого кортикального слоя. Головка остается непросверленной, чтобы создать максимальную фиксацию винта в губчатой ​​кости. Для проксимального винта необходимо просверлить оба кортикальных слоя. До тех пор, пока первый винт не будет надежно закреплен, положение можно удерживать с помощью рычага, как описано выше. Начиная с дистального, более короткого винта, можно добиться медиальной компрессии, избегая непреднамеренного повреждения ДМАА.Положение и угол наклона сверла по отношению к проводникам следует проверять с помощью рентгеноскопии, чтобы избежать срезания сверлом проволоки (рис. 11a-b). Косая проекция лучше всего подходит для обнаружения проксимального или дистального выпячивания винтов над уровнем плюсневой коры [18]. Дискомфорт, вызванный выпячиванием, может привести к ревизионной операции. Тестирование пассивного диапазона движений MTP1 может помочь обнаружить ограниченное движение или крепитацию, вызванную чрезмерной длиной и подошвенной/дистальной перфорацией кончиков винтов.

Рис. 11

a Вверху слева: спица К диаметром 2,0 мм заменена на проводник. Вверху справа: получение правильной длины с помощью соответствующего канюлированного измерителя длины и перекрестная проверка путем размещения винта на верхней части стопы. Внизу слева: вставьте первый винт и следите за тем, чтобы не погнуть проводник. Внизу справа: Косая проекция является ключом к определению правильной длины как в проксимальном (выступ головки винта), так и в дистальном (внутрисуставное выпячивание) положении. Пока первый винт не будет надежно установлен, положение рычага сохраняется, чтобы избежать вторичного смещения головки плюсневой кости. b Как описано выше, соответствующие шаги для безопасного размещения первого винта показаны на модели пиловидной кости

Удаление дорсомедиального края остеотомии

Поскольку головка плюсневой кости обычно смещается латеральнее, чем при открытом шевроне остеотомия, медиально выступающая головка/псевдоэкзостоз представляет меньшую проблему, чем выступающий дорсомедиальный край самой остеотомии. Медиальный край остеотомии прощупывается через кожу и должен быть удален с помощью бора.Здесь возможны две разные методики: выполнение разреза кости стандартным бором Шеннона 2,0  мм и удаление костного фрагмента с помощью москитного зажима через один из порталов (рис. 12) или снятие края поэтапно. ступенька коническим клиновидным бором (4,3 мм) (рис. 13). Опять же, перед использованием бора необходимо создать рабочее пространство. Это можно сделать, введя тупой элеватор через второй винтовой порт почти параллельно кости. Необходимо соблюдать осторожность, чтобы чрезмерно не ослабить костную массу рядом с дистальным винтом бором.Кроме того, клиновидный бор может легко повредить дорсомедиальный кожный нерв большого пальца стопы и/или выступающие подкожные вены. Тупое рассечение и создание адекватного рабочего пространства являются обязательными. Мышечное брюшко M. abductor hallucis представляет собой хорошее покрытие мягкими тканями подошвенной половины медиального диафиза плюсневой кости. Вот почему редукция сосредоточена на дорсомедиальном аспекте остеотомии. Опять же, косой обзор лучше всего подходит для контроля за ходом и успехом этого шага процедуры.При необходимости аналогичным образом можно уменьшить псевдоэкзостоз головки плюсневой кости.

Рис. 12

В этом случае край остеотомии удаляют прямым бором Шеннона (19,5 × 2,0 мм). Вместо того, чтобы снимать его шаг за шагом с помощью клиновидного бора, прямой бор выполняет небольшую режущую остеотомию параллельно дистальному винту. Костный фрагмент можно удалить с помощью небольшого кровоостанавливающего средства. Косая проекция используется для проверки достаточности удаления дорсомедиального края (стрелка)

Рис.13

При прямом элеваторе и тупой диссекции мягкие ткани приподнимаются для создания рабочего пространства у дорсомедиального края остеотомии. С помощью клиновидного бора диаметром 4,3 мм костный выступ сглаживается. После этого требуется тщательное полоскание, чтобы вымыть костные остатки. Косая проекция используется для проверки достаточности удаления дорсомедиального края (стрелка). косой или поперечной ориентации.Косой срез, идущий от пересечения средней и дистальной трети медиального кортикального слоя и направленный к проксимальному латеральному краю P1, имеет преимущество (биомеханически) благоприятной ориентации для винтовой фиксации (около 90°), которая входит в медиальное основание P1 и направляется к латерально-дистальному краю P1. Остеотомия длиннее и требует больше времени для выполнения, поэтому ее может быть труднее выполнить новичкам. Поперечный рез выполняется быстрее и проще в отношении правильной ориентации.Необходимо соблюдать осторожность, чтобы соблюсти латеральный шарнир (кортикальный слой) медиальной закрывающей клиновидной остеотомии. Место остеотомии проверяют рентгеноскопией и бобровым ножом устанавливают портал. Создается рабочее пространство и вводится бор Шеннона 13 × 2,0 мм. Войдя в сверло по средней линии проксимальной фаланги, остеотомию начинают с дорсальной половины (рис. 14). Как и при шевронной остеотомии, соседние структуры мягких тканей расслабляются за счет пассивного тыльного/подошвенного сгибания незадолго до выхода сверла из соответствующей коры.Для фиксации используется канюлированный винт без головки (например, винт FT 2,5 мм, Arthrex©). Спица К диаметром 1,6 мм может временно помочь найти правильную точку входа назначенной спицы-проводника, которая иногда имеет тенденцию соскальзывать и скользить вдоль медиальной коры P1 при приложении аксиального давления. Проверяется правильность положения проводника и измеряется длина винта. Пересверливание считается необязательным, поскольку кость основания P1 достаточно мягкая для мгновенного введения винта (рис. 15a и b).

Рис.14

Проволока К диаметром 1,6 мм может помочь установить правильную точку входа для канюлированного компрессионного винта меньшего диаметра, поскольку исходный проводник часто бывает слишком гибким для проникновения в кортикальный слой P1 в нужной точке входа. Остеотомия начинается с медиальной срединной линии P1 и дорсальной половины

Рис. 15

a Слева направо, сверху вниз: спица К 1,6 мм  для установления правильной точки входа для проводника и канюлированного винта, флюро- проверка правильности уровня остеотомии перед разрезом кожи, создание рабочего пространства тупым элеватором, сверление мягкой кости основания проксимальной фаланги считается необязательным. b Остеотомию продолжают до медиального закрытия остеотомии путем пассивного отведения/варусного напряжения большого пальца стопы

Операция на дистальных мягких тканях

При необходимости после костной коррекции выполняется операция на дистальных мягких тканях . Согласно нашему опыту и опыту других авторов [31], латеральный релиз требуется реже, чем при традиционной открытой шевронной остеотомии, где процедура дистальных мягких тканей является неотъемлемой частью операции и обычно выполняется вначале.Если сесамовидные кости недостаточно прикрыты головкой плюсневой кости (не забудьте ранее проверить ротацию во фронтальной плоскости [28, 29]), если большой палец все еще имеет тенденцию к вальгусному отклонению, несмотря на удовлетворительную костную коррекцию, или если большой палец может не отведен пассивно в MTP1 и ощущается довольно ригидным, может быть рассмотрена процедура дистальных мягких тканей, которая включает латеральную капсулотомию и освобождение подвесной связки латеральной сесамовидной кости (рис. 16). В качестве заключительного шага процедуры вставка М.adductor hallucis в последний раз может быть высвобожден чрескожно у латерального основания P1. Как всегда, это делается под рентгеноскопическим контролем.

Рис. 16

Под рентгеноскопическим контролем определяют уровень линии сустава и производят латеральную капсулотомию и освобождение подвесной связки латеральной сесамовидной кости при чрескожных процедурах переднего отдела стопы, таких как DMMO или MIS коррекция малого пальца стопы, хирург просто меняет свое положение с боку на конец операционного стола.Положение С-дуги остается неизменным. Стопоходящее положение стопы параллельно операционному столу облегчает рентгеноскопию, ориентацию и доступ к стопе.

Завершение

Порталы тщательно промывают стерильным физиологическим раствором до тех пор, пока не будут удалены все костные остатки. При необходимости (и при наличии разрывов при введении винта или использовании бора) кожу вокруг ворот тщательно и экономно удаляют. Закрытие кожи выполняется однопуговичными швами. В местах остеотомии или нижележащих металлоконструкций мы предпочитаем накладывать швы, а не стерильные полоски, чтобы добиться более стабильного и надежного закрытия раны.

Стандартную стерильную повязку на передний отдел стопы накладывают с продольно сложенными марлевыми компрессами размером 20х10 см между пальцами стопы. Компрессы накладываются в виде петель для закрытия средней хирургической раны. В первом веб-пространстве размещаются два сжатия для поддержки выравнивания первого луча (рис. 17). Завершает уход за раной свободная эластичная повязка.

Рис. 17

Стерильная повязка состоит из межпальцевых компрессов, сложенных вдоль и закрывающих медиальные кожные разрезы.В этом случае была проведена дополнительная чрескожная коррекция малого пальца стопы

Послеоперационный уход

Если возможно, мы рекомендуем 2 недели ограниченной нагрузки (15 кг), чтобы дать спаду отечности. Ортопедическая обувь с жесткой подошвой используется для передвижения в течение 6 недель. Через 2 недели швы снимают и повязку заменяют эластичной ленточной повязкой большого пальца стопы (рис. 18). Рентгенологическое и клиническое наблюдение повторяют через 6 и 12 недель и через 6 и 12 месяцев после операции.Витамины С и D вводят в больших количествах для поддержки заживления мягких тканей и костей [32]. Добавление витамина С было связано с улучшением функциональных результатов, уменьшением послеоперационной боли и снижением риска развития КРБС после ортопедических процедур, витамин D полезен для заживления ран и костей [33, 34].

Рис. 18

Эластичные ленты накладывают сразу после снятия швов. Для закрытия небольших разрезов кожи под тейп можно наложить маленькие полоски.На левом снимке показана правая стопа через 6 недель после MICA. Правые изображения демонстрируют наш выбор метода записи для MICA и дополнительного DMMO 2–4

Статистический вывод индексов структурного разнообразия леса с использованием данных воздушного лазерного сканирования и метода k-ближайших соседей

Статистический вывод индексов структурного разнообразия леса с использованием воздушного лазерного сканирования данные и метод k-ближайших соседей | Поиск по дереву Перейти к основному содержанию

.gov означает, что это официально.
Веб-сайты федерального правительства часто заканчиваются на .gov или .mil. Прежде чем делиться конфиденциальной информацией, убедитесь, что вы находитесь на сайте федерального правительства.

Сайт защищен.
https:// гарантирует, что вы подключаетесь к официальному веб-сайту и что любая предоставленная вами информация шифруется и передается безопасно.

Автор(ы):

Маттео Мура

Герардо Киричи

Марко Маркетти

Тип публикации:

Научный журнал (JRNL)

Первичная(ые) станция(и):

Северная исследовательская станция

Источник:

Дистанционное зондирование окружающей среды

Описание

Структурное разнообразие лесов играет важную роль в управлении, сохранении и восстановлении лесов и признано фундаментальным аспектом биоразнообразия лесов.Оценка, содержание и восстановление диверсифицированной лесной структуры стали основными направлениями усилий по сохранению лесных экосистем от утраты биологического разнообразия. Однако оценка биоразнообразия лесов затруднена, поскольку она включает множество компонентов и характеризуется множеством переменных. Цель исследования заключалась в разработке методологического подхода для прогнозирования, картирования и построения статистического вывода для многофакторного индекса структурного разнообразия леса.Этот метод включал три ключевых компонента: (i) использование метода k-ближайших соседей (k-NN), данных полевого участка и метрик бортового лазерного сканирования для одновременного прогнозирования нескольких переменных структурного разнообразия леса, (ii) включение прогнозов нескольких переменных разнообразия. в единый индекс, и (iii) построение статистически строгого вывода для среднего индекса населения. Для иллюстрации метода были выбраны три переменные структурного разнообразия: объем запаса древостоя и стандартные отклонения диаметра дерева на высоте груди и высоте дерева.Оптимизация метода k-NN дала средние относительные отклонения менее 0,04 по абсолютной величине для прогнозов для каждой из трех переменных структурного разнообразия, значения R2 между 0,50 и 0,66, которые находились в диапазоне значений, указанных в литературе, и доверительный интервал для среднего значения индекса, полуширина которого составляла примерно 5% от среднего. Наконец, пространственная структура, изображенная на полученной карте структурного разнообразия лесов для изучаемой территории, способствовала проверке предложенного метода.

Цитата

Мура, Маттео; МакРобертс, Рональд Э .; Киричи, Герардо; Маркетти, Марко. 2016. Статистический вывод индексов структурного разнообразия леса с использованием данных бортового лазерного сканирования и метода k-ближайших соседей. Дистанционное зондирование окружающей среды. 186: 678-686. https://doi.org/10.1016/j.rse.2016.09.010.

Процитировано

Примечания к публикации

  • Мы рекомендуем вам также распечатать эту страницу и прикрепить ее к распечатке статьи, чтобы сохранить полную информацию о цитировании.
  • Эта статья была написана и подготовлена ​​служащими правительства США в официальное время и поэтому находится в открытом доступе.

https://www.fs.usda.gov/treesearch/pubs/56434

Линда К. Джонсон — Линда К. Джонсон Современная техника Александра

«Работа с Линдой изменила мою жизнь. Использование ею техники Александра уменьшило мои боли в мышцах и суставах и изменило то, как я использую свое тело.У меня были хронические боли в течение многих лет, и ее работа избавила меня от старых стереотипов и перетренировала мое тело и нервную систему. Мои тазобедренные суставы теперь функционируют нормально, поэтому я могу стоять и ходить с комфортом. Линда умеет работать на физическом и энергетическом уровнях, чтобы добраться до первопричины проблемы, а не гоняться за симптомами. Я очень рекомендую ее».

Кара, профессор колледжа

«Линда — замечательный учитель. Она очень наблюдательна и внимательна, дает четкие и краткие отзывы и информацию.Я поражен тем, что заново научился двигаться более естественно, избавляясь от напряжения и боли, особенно в руках. Я играю на мандолине, и у меня была такая скованность и опухоль в левой руке, что я боялся, что мне придется бросить это занятие. Я перепробовала много домашних средств, пищевых добавок, массажа и иглоукалывания, но ничто другое не было таким эффективным, как метод Александра. Я знаю, что Линда называет себя учителем, но ее работа со мной была очень терапевтической. Как психиатр, я нашла много исцеления в ее доброте, терпеливых наставлениях и нежных, заботливых прикосновениях.Она также использует юмор, который действительно помогает мне расслабиться и открыться для обучения. Вместо того, чтобы возмущаться из-за проблем с руками и суставами, я благодарен за то, что они привели меня к работе с Линдой. Я очень рекомендую ее!”

Эйприл, музыкант и психотерапевт

«Техника Александра изменила мою жизнь. Как конкурентоспособный танцор, я начал брать уроки, чтобы улучшить свои танцевальные навыки, но вскоре обнаружил, что погрузился в более глубокое изучение того, как я двигаюсь и думаю во всех аспектах жизни, особенно в том, как формируются привычки.Для меня Александр Техник объединил разрозненные области знаний и объединил их на основе кузовных работ. Опыт Линды как профессиональной танцовщицы и ее глубокий опыт в применении Техники Александра к хореографическим движениям делают ее абсолютно бесценным наставником для танцора любой дисциплины. Мой танец превратился из набора привычек в связное, легкое целое. Я смог лучше направить свою энергию на то, чтобы сделать движение мощным, а не напряженным. Я считаю, что любой танцор или спортсмен заметит огромную разницу в своих выступлениях с Александром.Помимо того, что она является отличным учителем танцев и учителем Александра для танцоров, Линда очень помогла мне с движениями тела вне танца, в том числе в актерском мастерстве, пении и повседневных движениях. Преимущества выходят далеко за рамки моих танцев. Я часто рекомендую Линду людям, независимо от того, преследуют ли они спортивные/художественные цели или нет, потому что я верю, что любой, у кого есть тело, найдет Александр Технику глотком свежего воздуха и, возможно, таким же преображающим, как и я».

Мариса, танцовщица

«Я благодарна за возможность брать уроки у Александра у Линды К.Она привносит страсть и азарт в работу, что делает учебу безопасной и веселой. Обладая сильным кинестетическим осознанием благодаря обучению и выполнению движений, Линда К. способна видеть и направлять внимание ученика к тончайшим паттернам тела. Я работаю бодиворкером уже много лет, и уроки дали мне представление о том, как больше работать с телом моего клиента, чем просто что-то с ним делать. Лично я почувствовал большую легкость движений и более глубокое ощущение своего физического присутствия.”

Джонатан, мастер бодиворкер

«Линда обладает знаниями, дисциплиной и добросовестностью настоящего профессионала, а также изяществом, щедростью духа, легкостью проницательности и интуицией одаренного целителя. . С помощью программы церебральной гимнастики и чудес вуду, я уверен, что она разработала специально для меня, Линда учит меня, как быть соавтором своих собственных костей во взаимном (повторном) открытии того, кем я должен быть и как я Я должен чувствовать.

Стефани, Поэт и Мать

«Как исполнитель я постоянно хочу развиваться, быть многомерным на сцене. Благодаря этой работе с Линдой К. я открылся для искусства присутствия. У нее есть способность соединять язык и образ с прикосновением, давая моему телу новый и любопытный опыт. Они могут быть довольно тонкими и нюансированными или более масштабными, более похожими на прозрение. Линда К. умеет так организовать работу, чтобы я не потерялся и не испугался работы.После уроков я ухожу, чувствуя себя легче и с инструментами, чтобы вспомнить все представленные мне кинестетические идеи. Эти инструменты бесценны. Они дали мне доступ к различному диапазону текстур, тонов и качеств в моем танце, а также к методам заземления во время шоу. Я снова занялся выступлением, в котором появилось больше различия и полноты осознания. Я могу с большей готовностью смягчиться в интимности публики и исполнителя и более динамично распознавать переходы.Работа не только повлияла на то, как я подхожу к производительности, но и на то, как я отношусь к повседневной жизни, наполняя ее понятием качества и заботы».

Лу, профессиональный артист танца

«Я учитель игры на скрипке, у меня хронические боли. Уроки Александра Линды были очень ценными и существенно облегчили мою боль. Линда предлагает уникальную перспективу как танцовщица и педагог. Ее радостный и игривый подход хорошо работает для меня, и мне легко внедрять ее предложения в свою повседневную жизнь.”

Оливия, скрипач и учитель скрипки

«Работа Линды сочетает в себе ее врожденное кинестетическое чутье, годы обучения танцам и матрицу Техники Александра. Она видит и чувствует ваше тело и способствует выравниванию посредством ее понимания и связи. — и быстро!»

Кэрол, семидесятилетняя

Метод извлечения часто встречающихся наборов элементов Top-K на основе классов эквивалентности [PeerJ]

Введение

Поиск FI — одна из ведущих исследовательских задач, используемых во многих важных задачах интеллектуального анализа данных, таких как классификация (Nguyen et al., 2012), кластеризация (Wang et al., 2002), последовательные шаблоны (Fournier-Viger et al., 2017) и анализ ассоциативных правил (ARM) (Agrawal, Imielinski & Swami, 1993). Помимо этого, другие различные приложения, такие как анализ ассоциативных правил на основе многозадачности (Taser, Birant & Birant, 2020), анализ шаблонов с высокой полезностью (Krishnamoorthy, 2019), анализ шаблонов Top-k (Nguyen et al., 2018) и частые взвешенные добыча полезных ископаемых (Nam et al., 2020b). Методы добычи FI находят набор элементов, которые часто встречаются в данном наборе транзакций.Он показывает правила ассоциации, которые определяют, как набор элементов в наборе данных транзакций зависит от поведения другого набора элементов. Первый алгоритм, используемый для вычисления и поиска связи между FI, известен как Apriori (Agrawal, Imielinski & Swami, 1993; Agrawal & Srikant, 1994). Алгоритм Apriori генерирует большое количество наборов элементов-кандидатов. Он также выполняет многократное сканирование таблицы транзакций для поиска частых наборов элементов, что приводит к накладным расходам на устройствах ввода и вывода. Для больших систем баз данных накладные расходы ввода-вывода становятся более требовательными к большой памяти для хранения данных.Позже Zaki & Gouda (2003) предложили dEclat, алгоритм diffset. Он использует вертикальное представление базы данных. Фундаментальная концепция алгоритма diffset заключается в том, что определенный набор идентификаторов транзакций (tidsets) может использоваться для измерения поддержки наборов элементов. Основным серьезным недостатком подхода Eclat является размер TIDSET, который влияет на время обработки и требует больших затрат на хранение в памяти. Другим алгоритмом, повлиявшим на большую часть работы в этой области, является рост частых паттернов (FP) (Han, Pei & Yin, 2000).Метод FP-Growth выполняет как минимум два сканирования. Сначала обработайте частые паттерны длины-1 и подсчитайте их значение поддержки. После этого элементы сортируются в порядке убывания их поддержки. Эти методы называются традиционными.

Традиционные методы FI основаны на минимальном пороге поддержки (Fournier-Viger et al., 2017; Agrawal & Srikant, 1994). В таблице транзакций минимальное поддерживаемое значение, также известное как minsup, определяет минимальную частоту появления элемента в коллекции.Все наборы элементов, частота которых превышает пороговое значение или равна ему, называются FI. Однако найти разумное значение для порога — сложная задача. Например, если пороговое значение поддерживается слишком низким, может быть создано слишком много ИЛ, и необходимые шаблоны вряд ли можно будет найти среди массивного набора созданных шаблонов.

Аналогичным образом, если установить слишком высокое пороговое значение, будет сгенерировано слишком мало FI, из-за чего мы можем пропустить некоторые важные шаблоны в таблице транзакций.Выбор порогового значения также влияет на поле поиска и результирующее пространство (Huynh-Thi-Le et al., 2015). Таким образом, возникает другой набор методов; они называются процедурами Top-k. Это процедура поиска наборов элементов с наибольшей поддержкой k-поддержки среди всех существующих FI. Это относится к выбору пользователем частых наборов элементов в наборе данных. Пользовательский выбор позволяет пользователю находить наиболее часто встречающиеся наборы элементов. Процедура наиболее часто встречающихся наборов элементов находит наиболее часто встречающиеся наборы элементов путем повторения процесса анализа до тех пор, пока не будет получен желаемый результат.Эти подходы, как правило, требуют больше времени выполнения и дают достаточно места для результатов, что приводит к избыточным шаблонам в таблице транзакций. N-most — это метод извлечения наиболее часто встречающихся наборов элементов, который обрабатывает первые N впечатляющих результатов без указания каких-либо пользовательских параметров (Fu, Kwong & Tang, 2000). Он использует априорную процедуру создания кандидатов и стратегию тестирования. Сначала он вычисляет самый большой набор элементов, а затем рекурсивно сравнивает поддержку наборов-кандидатов. На каждой итерации он обновляет порог поддержки наборов элементов.Процесс продолжается до тех пор, пока пользователь не укажет ограничение на размер набора элементов. Самый популярный метод майнинга — это майнинг Top-k частых наборов элементов. В отличие от процедуры извлечения N-наиболее частых наборов элементов, Top-k находит наборы элементов с наибольшей поддержкой без указания размера набора элементов. Добыча топ-k частых наборов элементов может быть разделена на алгоритмы добычи с пороговым значением поддержки и без поддержки на основе порогового значения. Эти алгоритмы также можно разделить на алгоритмы, основанные на априорном росте и FP-росте (Agrawal, Imielinski & Swami, 1993; Han, Pei & Yin, 2000).Алгоритмы Top-k (основанные на Apriori) строят 1-элементный набор, а затем прикрепляют к 2-элементному набору и так далее. В конце результаты сравниваются с заданным пользователем пороговым значением.

Алгоритмы Top-k, основанные на FP-росте, используют FP-дерево для анализа шаблонов. Он разделяет транзакции, чтобы уменьшить пространство поиска. Важным преимуществом алгоритмов на основе FP является то, что они используют древовидную структуру базы данных транзакций. Недостатком использования дерева является то, что его трудно хранить в памяти, а процедура его построения является дорогостоящей.Хан и др. (2002) предложил TFP (алгоритм извлечения наиболее часто закрытых наборов элементов), который использует FP-дерево без порога поддержки пользователя. Алгоритм строит FP-дерево на основе первичного порога поддержки, начиная с нуля. Он сокращает небольшие транзакции, используя ограничения длины наборов элементов. Майнинг выполняется на окончательно обрезанном FP-дереве. Алгоритмы, рассмотренные выше, требуют многократного сканирования таблицы транзакций для построения дерева. Они также потребляют большое пространство поиска и используют дорогостоящие стратегии для повышения производительности.Подробности этих методов обсуждаются в соответствующем разделе работы.

Пробел в исследованиях

Однако, подытоживая ограничения предыдущих исследований, которые заключаются в следующем: (1) отсутствие заданного пользователем параметра порога поддержки может повлиять на производительность алгоритмов добычи FI, (2) генерация экспоненциального числа наборов элементов и подсчет поддержки затруднены. для обработки методов майнинга Top-k FI и, наконец, (3) эффективное удаление тех транзакций, которые бесполезны для следующего уровня, что увеличивает время обработки и снижает производительность, являются основными трудными областями, которые необходимо решить.

Чтобы преодолеть эти ограничения, мы предложили алгоритм Top-k Frequent Items Mining (TKFIM) для поиска FI без заданного пользователем порога поддержки. Работа TKFIM основана на классах эквивалентности понятий теории множеств. Каждый класс представляет собой независимую группу наборов элементов. Кроме того, он использует diffset для подсчета поддержки наборов элементов. Предлагаемая процедура применяется к вертикальной структуре базы данных, состоящей из идентификаторов транзакций (tid), за которыми следуют элементы. Наш алгоритм использует стратегию поиска на основе классов, чтобы быстро находить наборы элементов с наивысшей поддержкой, и извлекает кандидатов текущего класса на основе процесса соединения.Если поддержка набора элементов меньше, чем наименьшая поддержка в списке Top-k, то текущий класс прекращает создание наборов-кандидатов. Затем соответственно применяется следующий процесс присоединения к классу. Процесс повторяется до тех пор, пока не будут найдены частые наборы или наборы-кандидаты. Наконец, результаты предлагаемой системы сравниваются с BOMO и майнером Top-k на нескольких наборах данных.

Вклады этой статьи перечислены ниже:

  1. Он представляет алгоритм Top-k на основе FI, который уменьшает количество сканирований и сокращает время выполнения.

  2. Он находит все часто встречающиеся FI и IFI и не пропускает ни одного шаблона.

  3. Это исследование представляет собой всесторонний обзор существующей литературы в области анализа частых наборов элементов.

  4. Основываясь на критическом анализе, в этой статье подчеркиваются ограничения современных исследований, используемых для добычи FI.

  5. Стратегия сокращения используется в этой статье для уменьшения количества часто используемых наборов элементов-кандидатов.

  6. После этого предлагается, разрабатывается и реализуется новый подход (т. е. TKFIM) на основе классов эквивалентности и теории дифференциальных множеств.

  7. Экспериментальные результаты показывают, что TKFIM имеет значительное преимущество перед существующими алгоритмами.

Наконец, результаты TKFIM сравниваются с методами майнера BOMO и Top-k. Эти алгоритмы оцениваются на пяти различных наборах данных, т.е.e., Chess, Mushroom, Connect и синтетический набор данных. Кроме того, записывается прирост производительности для каждого набора данных. В первом эксперименте на наборе данных Chess средний прирост производительности составил 97,14% и 92,70% по сравнению с майнером BOMO и Top-k соответственно. Точно так же в наборе данных Mushroom был достигнут прирост производительности более 100% и 35,87% относительно BOMO и майнера Top-k. В третьем наборе данных, то есть Connect, было обеспечено повышение производительности на 78,10% и 28,53% по сравнению с майнером BOMO и Top-k соответственно.В финальном эксперименте на синтетическом наборе данных (T1014D100K) средний прирост производительности 99,70% и 81,27% был зафиксирован для майнера BOMO и Top-k.

Связанная работа

В области интеллектуального анализа наборов часто используемых элементов самый первый алгоритм, то есть априори, был предложен Agrawal, Imielinski & Swami (1993). Этот алгоритм использует восходящий метод поиска для обработки извлечения часто встречающихся наборов элементов. Он обрабатывает все наборы элементов за k шагов, где k представляет размер данной базы данных.На первом этапе генерируются все часто встречающиеся наборы из 1 элемента. На втором этапе все частые 1-элементные наборы объединяются для вычисления 2-элементных наборов, сравнивая их поддержку с заданным указанным minsup. Все частые наборы из 2 элементов обрабатываются для последующих наборов из 3 элементов. Процесс продолжается до тех пор, пока не будет найдено ни одного набора элементов. Другой классический алгоритм, называемый Eclat, был предложен Заки (2000). База данных транзакций и minup используются в качестве входных данных для этого алгоритма. Он подсчитывает поддержку наборов элементов с помощью tids, который представляет собой длину набора элементов.

Алгоритм Eclat более эффективен, чем те алгоритмы, которые многократно сканируют базу данных, но он требует больше памяти для хранения наборов данных. Алгоритм dEclat – это вариант алгоритма Eclat, реализованный с использованием структуры, называемой наборами различий (Zaki & Gouda, 2003), а не наборами индикаторов. Рост FP был предложен Ханом, Цзявэем и Пей, Цзяном в 2000 году для поиска частых наборов элементов без создания кандидатов (Han, Pei & Yin, 2000). Он использует FP-дерево для вычисления частых наборов элементов, сканируя его как минимум дважды.При первом сканировании он обрабатывает частые паттерны длины-1 и подсчитывает их значение поддержки. Во втором сканировании элементы сортируются в порядке убывания их поддержки. Он разбивает базу данных для построения нескольких условных FP-деревьев, что значительно сокращает пространство поиска. FP-рост работает лучше, чем Apriori, потому что данные в памяти представляют собой форму древовидной структуры. Все обычные алгоритмы требуют огромного пространства поиска, и оно может экспоненциально расширяться. Кроме того, в базе данных необходимо регулярно выполнять поиск, что требует много времени выполнения.Однако, поскольку для этих алгоритмов требуются пороговые параметры, выбор порогового значения остается сложной задачей. Если пороговое значение остается очень высоким, будет произведено слишком много изделий.

С другой стороны, это может привести к слишком малому количеству частых элементов, когда поддержка слишком высока. Для решения этой проблемы, связанной с традиционными методами добычи FI, предлагаются алгоритмы извлечения самых верхних наборов элементов FI,

.

Самые популярные методы FIS

Самые верхние FI относятся к пользовательскому выбору FI в наборе данных.Пользовательский выбор позволяет пользователю найти самые популярные FI. Процедура самых ранних FI находит наиболее часто встречающиеся наборы элементов путем повторения процесса анализа до тех пор, пока не будет получен желаемый результат. Исследователь обнаружил две существенные проблемы в ранних процедурах самых популярных финансовых инструментов. Во-первых, требуется гораздо больше времени выполнения, чтобы найти результат. Во-вторых, он создает большое пространство поиска и пространство результатов. Недавно была спроектирована новая схема поиска самых популярных FI, называемая N-наиболее интересными часто встречающимися наборами элементов (Fu, Kwong & Tang, 2000).Он обрабатывает впечатляющие результаты Top-N без указания каких-либо пользовательских параметров. Он использует априорную процедуру создания кандидатов и стратегию тестирования. Сначала он вычисляет самый большой набор элементов в наборе данных. Интеллектуальный анализ N крупнейших наборов элементов рекурсивно сравнивает поддержку наборов элементов-кандидатов и обновляет порог поддержки в конце итерации. Процесс повторяется и останавливается на заданной пользователем границе размера набора элементов. Добыча самых популярных FI разделена на два разных набора процессов добычи, включая N-самые и самые популярные наборы элементов.Подробности обсуждаются в следующих разделах.

N-наиболее интересные процедуры FIS

Он объединяет N-наиболее часто встречающихся k-наборов элементов для каждого K, где 1<= K <=m, а K — заданный пользователем максимальный размер наборов элементов, подлежащих добыче. Этот процесс добычи основан на алгоритмах Itemset-iLoop и Itemset-Loop (Fu, Kwong & Tang, 2000). Itemset-Loop — это первый метод, предложенный в категории интеллектуального анализа N наиболее интересных частых наборов элементов.Его метод создания кандидата аналогичен процессу априорного кандидата. Алгоритм цикла набора элементов сначала вычисляет набор потенциальных 1-элементных наборов, а затем новые потенциальные 2-элементные наборы берут начало из 1-элементных наборов. На следующей итерации новые потенциальные наборы из трех элементов создаются из набора из двух элементов. Процесс повторяется и заканчивается на указанном пользователем прыжке с размером набора элементов. Следовательно, для генерации N наиболее захватывающих наборов элементов требуются повторы на k-й итерации. Идея метода Itemset-iLoop аналогична идее Itemset-Loop, за исключением того, что он сначала возвращается для проверки k -1 наборов элементов.

Основополагающий принцип обоих методов заключается в том, что если K-элементный набор не является частым, все его подмножества являются редкими. Для майнинга N-наиболее интересных наборов предметов этот априорный стандарт не применяется. Cheung & Fu (2004) представили метод, основанный на принципе «Сделай один раз и разработай один раз» (BOMO), чтобы устранить недостатки наиболее интересных предметов в майнинге. Эта процедура основана на свободном параметре для N-наиболее интересных элементов. BOMO — это метод, основанный на росте FP, который использует неотъемлемые характеристики компактной структуры дерева шаблонов.Он работает без генерации кандидатов, чтобы улучшить результаты при частых проблемах с поиском наборов элементов. Будучи подходом, основанным на росте FP, BOMO страдает от общих недостатков, таких как многократное сканирование базы данных для оценки поддержки наборов элементов. Структура FP-дерева отнимает много времени, а посещение узлов для оценки поддержки наборов элементов очень неэффективно. Следовательно, размер базы данных огромен. Таким образом, может быть невозможно сохранить его в основной памяти. В результате набор результатов приведет к сбою операции майнинга.

Методы добычи ТОП-К ФИ

Методы майнинга Top-k FI можно разделить на поддерживающие пороговые и беспороговые алгоритмы. Наиболее распространенные алгоритмы анализа шаблонов зависят от правильного параметра минимального порога поддержки. Однако, как уже говорилось, на практике очень сложно определить правильное значение этого параметра. Поэтому предлагается другая категория алгоритмов Top-k частых наборов элементов, которые являются беспороговыми. Методы майнинга Top-k FI также классифицируются как априорные алгоритмы и алгоритмы на основе FP.

Методы, основанные на априори, генерируют FI из 1-элементных наборов, а затем производят 2-элементный набор путем их объединения, а также 3-элементные наборы и т. д. С другой стороны, методы Top-k FI, основанные на росте FP, используют FP-дерево для частых шаблонов майнинга. Он разделяет транзакции, чтобы уменьшить область поиска. Основное преимущество алгоритмов на основе FP-роста заключается в том, что древовидная структура данных представляет собой неструктурированную форму базы данных транзакций. Эти типы алгоритмов не могут храниться в памяти и, следовательно, их создание требует больших затрат.Однако методы, основанные на вертикальном формате, более интуитивно понятны и просты по сравнению с подходами разработки горизонтального формата.

Top-k Частые закрытые наборы элементов, алгоритм под названием TFP без минимального порога с использованием дерева FP был предложен Han et al. (2002). Алгоритм начинается с FP-дерева, первичный порог устанавливается равным нулю. Меньшая транзакция, т. е. транзакция с длиной <минимальной длины, удаляется при построении дерева.После построения FP-дерева он использует количество закрытых узлов и метод суммы потомков, чтобы сократить относительно необычные шаблоны, увеличив порог поддержки. Чтобы ускорить процесс, алгоритм TFP использует стратегии доступа к дереву FP, такие как восходящее и нисходящее.

Майнинг выполняется на окончательно обрезанном FP-дереве. С другой стороны, алгоритм TFP имеет много недостатков. Для FP-дерева база данных должна быть просканирована дважды. TFP — это метод, основанный на росте FP и использующий два параметра.Этот алгоритм потребляет большое пространство поиска и использует дорогостоящие стратегии для повышения производительности. Amphawan, Lenca & Surarerks (2009) сосредоточились на поиске периодических и частых паттернов Top-k. Сначала он рассматривает шаблоны с наивысшей поддержкой, а затем объединяет кандидатов для формирования списка Top-k периодических и частых шаблонов. Pietracaprina & Vandin (2007) предположили, что Top-k Miner находит Top-k часто закрывающиеся неограниченные элементы. Алгоритм начинается в основном с приблизительной минимальной поддержки, имеющей эвристику, аналогичную ссылкам в приведенных выше процедурах извлечения закрытых частых наборов элементов Top-k.Эта процедура динамически повысила порог поддержки без необходимости перезапуска вычислений. Он использует приоритетную очередь, чтобы остановить сравнение поддержки закрытых наборов элементов. Кроме того, он использует поиск наилучших результатов для создания первых закрытых наборов элементов с наивысшей поддержкой. В момент, когда вся поддержка закрытого набора элементов обработана, основной цикл завершается. В этот момент k присваивается новое значение, и цикл повторяется для создания закрытых наборов элементов с наивысшей поддержкой.

Недавно Pyun & Yun (2014) предложили наивный подход под названием «Метод комбинированного сокращения» (CRM).Этот алгоритм сокращает время и экономит память за счет применения концепции составного шаблона. CRM — это алгоритм, основанный на росте FP, который строит условное FP-дерево.

Алгоритм запускается с начальным порогом поддержки, равным нулю, при построении FP-дерева из набора данных. После этого алгоритм строит глобальную FP. При разработке FP-дерева одновременно создается таблица заголовков. Последовательность выбора префикса отличается от FP-роста.Префикс является центральным элементом в таблице заголовков, что вполне подходит для анализа частых паттернов Top-k. Он может эффективно повышать порог и быстро обрабатывать шаблоны. CRM не учитывает длину шаблона, поэтому шаблоны Top-k помещаются в список Top-k без ограничений по длине. Текущий список шаблонов Top-k Composite и фаза восстановления используются для создания шаблонов Top-k. С другой стороны, алгоритм CRM имеет множество недостатков. Чтобы построить FP-дерево, ему все равно придется дважды сканировать базу данных.CRM — это подход, основанный на росте FP и использующий два параметра. Этот алгоритм требует большого пространства для поиска и требует больших затрат на фазу восстановления для повышения производительности. Список Top-k включает много избыточных составных шаблонов, если значение k указано как большое.

Pyun & Yun (2014) также разработали метод сокращения комбинаций для N-наборов элементов (CRMN) с соблюдением ограничений длины набора элементов. CRMN сканирует набор данных не менее двух раз, и начальная поддержка обнуляется.В процедуре майнинга CRMN сначала строит глобальное дерево FP. Впоследствии он извлекает шаблоны Top-k из FP-global-tree. Во время этого процесса составные шаблоны группируются в k-образы для каждой длины в списке Top-k, если существующее условное дерево FP имеет один путь. Если дерево имеет многолучевое распространение, алгоритм обнаружит частые шаблоны и вставит их в список Top-k в соответствии с их длиной.

Salam & Khayal (2012) предложили методы Top-most и Top-k, основанные на структуре ассоциативного графа.Симметричная матрица хранит запись графа как структуру данных. Алгоритм сканирует базу данных один раз и начинает с дерева FP с начальным порогом поддержки, равным нулю, во время построения дерева All-path Source to Destination (ASD) (Salam & Khayal, 2012). Этот метод исследует область поиска и одновременно строит ASD-дерево. У него есть серьезный недостаток, заключающийся в том, что он вычисляет все наборы из двух элементов и сканирует каждую транзакцию, чтобы построить график соотношения ассоциаций. Он одновременно вычисляет краевые значения для обнаружения максимального цикла.Другим недостатком этого подхода является то, что он идентифицирует эти наборы элементов как наборы элементов Top-k, но изначально набор элементов имеет малое количество наборов данных.

Недавно Саиф-Ур-Рехман и соавт. (2016) предложили майнер Top-k для поиска FI. Они сканируют базу данных один раз и находят поддерживающий порог выше нуля для всех часто встречающихся наборов из 2 элементов. Они используют дерево поиска наборов элементов-кандидатов (CIS-дерево) (Saif-Ur-Rehman et al., 2016) для поиска желаемого числа топ-k FI с наивысшей поддержкой.

Этот метод имеет различные ограничения, например, он вычисляет 2-элементные наборы перед построением CIS-дерева, построение которого является дорогостоящим, поскольку оно потребляет много памяти. Этот алгоритм сократил пространство поиска, но увеличил время выполнения процесса майнинга. Кроме того, частая процедура объединения наборов элементов для построения CIS-дерева является трудоемким процессом. Как обсуждалось выше, было предложено несколько практик извлечения частых наборов элементов, но все они сталкиваются с проблемой сокращения времени, необходимого для расчета, и уменьшения пространства, необходимого для выполнения алгоритма для извлечения всех требуемых частых шаблонов.Сводная информация о сильных и слабых сторонах алгоритмов майнинга Top-k FI показана в таблице 1. Она предполагает, что алгоритмы частого майнинга Top-k нуждаются в дальнейшем совершенствовании для получения эффективных результатов.

Предлагаемая методология

Цель этой статьи состоит в том, чтобы представить алгоритмы, которые могут находить Top-k часто встречающихся наборов без использования параметра minsup . Предлагаемый алгоритм начинается с запроса, чтобы пользователь предоставил значение «k», т. е. сколько FI ему требуется? Предлагаемая система первоначально генерирует частый набор элементов размера один, сканируя базу данных в первый и последний раз.Затем система использует классы эквивалентности для создания следующего уровня набора часто встречающихся товаров. Процесс повторяется; инициализируйте элемент k на следующем уровне с самой низкой поддержкой, пока не будут найдены частые элементы или элементы.

Предлагаемая работа имеет два существенных преимущества: она не требует порога поддержки, а во-вторых, база данных сканируется один раз для генерации FI. Подробная работа предлагаемой методики обсуждается в этом разделе. Прежде чем перейти к точным шагам, важно понять несколько определений.

Def-1: Частые наборы элементов: В данной базе данных D набор элементов X называется частыми наборами элементов, если его поддержка больше или даже равна поддержке k наборов элементов в наборе элементов I, где I — это набор элементов в порядке убывания поддержки, значение поддержки рассчитывается на основе введенного пользователем значения k (Saif-Ur-Rehman et al., 2016).

Таблица 1:

Краткое изложение алгоритмов интеллектуального анализа наборов наиболее часто встречающихся элементов.

С.№ Алгоритм Назначение алгоритма Хранение Сильные стороны Ограничения
1 Top k закрытых частых паттернов (TFP) (Han et al., 2002) Создать k верхних закрытых шаблонов для указанного значения k Массив Без порога поддержки Лимит на ФИ кандидатов .Метод извлечения наборов элементов без производства кандидатов • Просканировать базу данных не менее 2-х раз.
• Пропущены некоторые важные шаблоны
• Из-за ограничения длины наборов элементов.
• Представление единственного набора элементов с более высокой поддержкой в ​​Top-k, в то время как другие наборы элементов с аналогичной поддержкой не рассматриваются как наборы элементов top-k.
2 Top-N (Фу, Квонг и Тан, 2000) Создать самые верхние шаблоны для указанного значения N Массив Метод FI без порога поддержки • Подход к нескольким сканированиям
• Установите два параметра.
• Априори на основе
• Вынуждено уменьшить пространство поиска
• Огромное пространство для поиска
3 CRMN (Пьюн и Юн, 2014) Для создания шаблонов Top k с методом сокращения комбинаций для N наборов элементов. FP-дерево Без порога поддержки. Метод майнинга наборов предметов без производства кандидатов. • Более 1- входных параметров
• Подход на основе STP
• Вынуждено уменьшить пространство поиска
• Многократное сканирование БД
• Требуемое большое время вычислений
4 CRM (Пьюн и Юн, 2014 г.) Для создания шаблонов Top k с помощью метода сокращения комбинаций для N наборов элементов. FP-дерево Без порога поддержки. Метод майнинга наборов предметов без производства кандидатов. • Поиск в пространстве
• Огромное пространство для поиска
• Многократное сканирование БД
• Требуется много времени для вычислений
5 Топ-k максимальных FI без порога поддержки (Salam & Khayal, 2012) Чтобы найти самые популярные FI на основе структуры графика коэффициента ассоциации. График Без порога поддержки. • Он вычисляет все наборы из 2 элементов и сканирует каждую транзакцию для одновременного построения всех источников пути к целевому дереву (дереву ASD).
• Он идентифицирует эти наборы элементов как Top-k наборов элементов, изначально набор элементов имеет низкую встречаемость в наборе данных.
6 Top-k Miner (Saif-Ur-Rehman et al., 2016) Для поиска Top-k FI без порога поддержки с помощью CIS Tree. Дерево СНГ Без порога поддержки. Уменьшено пространство поиска • Большое время вычислений требует большого потребления памяти.
• Процедура объединения FI занимает много времени, пока не будет получен желаемый результат.
7 ТКФИМ [Предложено] Топ-k частых наборов предметов Майнинг без порога поддержки на основе классов эквивалентности Список поиска Уменьшить пространство поиска и время выполнения • При майнинге Top-k-FIs сначала создаются полные наборы из 1 элементов с поддержкой заданного набора данных, что требует огромного объема памяти на первом уровне.
• Техника с фокусом на пространстве поиска
DOI: 10.7717/peerjcs.385/таблица-1

Def-2: Идентичные частые наборы элементов: В заданном наборе данных D идентичными частыми наборами элементов (IFI) являются те наборы частых элементов S = X1, X2…Xm, которые имеют ту же поддержку, что и набор S, где 1<=m<=I и S ⊆ I (Саиф-Ур-Рехман и др., 2016).

Def-3: Top-k частых наборов элементов: Набор всех IFIs в S= {X1, X2,…..Xm} называется Top-k частым набором элементов, если он включает в себя частый набор элементов с наивысшей поддержкой k опорный набор элементов в I, где I — набор всех одинаковых часто встречающихся наборов элементов (Yildirim, Birant & Alpyildiz, 2017).

Структура списка Top-k

В этом подразделе мы описываем список (Amphawan, Lenca & Surarerks, 2009) — эффективную структуру данных, используемую в нашем методе для размещения наборов элементов-кандидатов.Список создается динамически на основе генерируемого набора элементов, который содержит все возможные k наборов элементов на основе заданного пользователем значения k.

Элементы в списке отсортированы в порядке убывания поддержки. Использование связанного списка в предлагаемом алгоритме эффективно сокращает время обработки и извлекает наборы элементов из памяти быстрее, чем дорогостоящая операция ввода-вывода. Предлагаемый алгоритм TKFIM использует наборы данных вертикального формата для создания частых наборов элементов. Список содержит набор узлов на разных уровнях.1-элементные наборы, 2-элементные наборы или более создаются из вертикального набора данных. Список Top-k не содержит нечастых наборов элементов. Структура списка Top-k узла представлена ​​на рис. 1:

Если структура списка Top-k узла, имеющего первое поле, используется для хранения набора элементов, второе поле является вспомогательным полем, определяющим, сколько раз набор элементов встречается в наборе данных. Diffset — это третье поле, в котором хранится набор различий идентификаторов транзакций. Размер последнего поля указывает на уровень набора элементов.

Подробная работа алгоритма

В больших базах данных сложно найти набор часто используемых элементов Top-k. В этом разделе представлена ​​эволюция нового алгоритма майнинга Top-k для расчета всех IFI Top-k без порога поддержки. Предлагаемая процедура применяется к вертикальной структуре базы данных, состоящей из идентификаторов транзакций, за которыми следуют элементы. В нашем методе используется стратегия поиска на основе классов для поиска наборов элементов с наивысшими значениями поддержки, и она извлекает кандидатов текущего класса на основе процесса соединения.Создание наборов-кандидатов для текущего класса будет исключено, если набор элементов имеет меньшую поддержку, чем наименьшая поддержка в Top-k. Затем соответствующим образом применяется следующий процесс членства в классе, который повторяется до тех пор, пока не будут идентифицированы частые элементы или элементы-кандидаты.

Рисунок 1: Структура списка Top-k.

Алгоритм 1
Алгоритм майнинга Top-k FI
1: Отсканируйте D, чтобы создать набор из 1 элемента с числом поддержки
2: Создать список top-k и инициализировать 1-itemsset
3: Упорядочить список Top-k в порядке убывания количества поддержки
4: Наименьший k назначить наименьшую поддержку k th набор элементов в списке Top-k
5: Создание наборов элементов-кандидатов с поддержкой счетчика с использованием набора различий
6: Создать список Top-k
7: в то время как k < список до
8: к 1 + +
9: в то время как k 1 < список до
10: , если перед е й х А == перед е й х В тогда
11: Товар I ← [ Товар A , Товар B ]
12: ключ преф и х А + I элементы
13: дифференциал t ( Item A ) − t ( ItemB )
14: опора t ( арт. A ) – дифференциал
15: конец, если
16: Создайте запись набора элементов и вставьте ее в список Top-k
17: если поддерживает >= наименьший тогда
18: I temset [ ключ ] ← поддержка
19: иначе если поддерживает < наименьший k тогда
20: перерыв
21: конец, если
22: конец пока
23: к 1 + +
24: к + +
25: конец пока
26: Повторяйте шаги 3, 4 и 5 до тех пор, пока не будет найдено ни одного набора элементов-кандидатов
27: Возврат Top-k списка FI

Псевдокод предложенной нами методологии приведен в Алгоритме 1, а детали каждого шага описаны ниже:

  1. Сканировать базу данных и преобразовать ее в вертикальный формат.

  2. Отсортировать все элементы в порядке убывания поддержки.

  3. Инициализация списка Top-k в 1-Itemset, где k — заданный пользователем номер часто используемого набора элементов.

  4. Вычисление 2-элементных наборов из 1-элементного набора с использованием diffset до наименее поддерживаемого набора элементов в списке Top-k с использованием концепции класса эквивалентности.

  5. Процесс продолжается до тех пор, пока не будет найдена самая низкая поддержка элемента на следующем этапе и не будут найдены частые элементы или кандидаты.

  6. Затем возвращается список Top-k.

Лемма 1:

При частом анализе наборов элементов вспомогательное значение набора элементов используется для применения антимонотонного свойства.

Доказательство:

Предположим, что в базе данных есть n транзакций и построены структуры данных. Есть шаблоны P в D длиной m и шаблон P′ в D, который является шаблоном ужина P, длиной m+1.В худшем случае и P, и P′ включаются в T ( k  <  = n ). Антимонотонное свойство означает, что если какой-либо P является недопустимым шаблоном, шаблон ужина P’ P также является недопустимым шаблоном, который должен удовлетворяться в этом методе. Однако в общем случае множество транзакций, содержащих P′, является подмножеством множества транзакций, содержащих P. Таким образом, всегда устанавливается Sup(P′) <= Sup(P). Если P является недопустимым шаблоном, допустимо sup(P′) <= sup(P) <= misupp.В результате значение счетчика набора элементов удовлетворяет антимонотонному свойству (Nam et al., 2020a).

Работающий пример алгоритма TKFIM

Алгоритм выражается с использованием базы данных D, , как показано в таблице 2. Он содержит десять транзакций, имеющих шесть различных элементов. Считайте, что количество требуемых результатов, указанное пользователем k , равно четырем и шести. Наша задача — найти наборы элементов Top-k с наибольшей поддержкой из данного набора данных транзакций.Таблица 3 иллюстрирует сгенерированные наборы часто встречающихся элементов Top-2, Top-4 и Top-6 из данной базы данных D транзакций. Первый столбец в базах данных транзакций представляет tid наборов элементов, тогда как второй столбец описывает наборы элементов.

Шаг 1: создание набора из 1 элемента путем сканирования базы данных транзакций

Формат входного набора данных имеет большое значение в большинстве алгоритмов извлечения частых наборов элементов. Существует два типа представления набора данных.Один представляет собой горизонтальный формат данных, а другой — вертикальный формат данных. В горизонтальном формате данных база данных транзакций аналогична списку/массиву транзакций. Каждый из TID содержит наборы элементов. Формат базы данных горизонтальных транзакций приведен в таблице 4.

Таблица 2:

База данных транзакций.

ТИД Предметы
1 А,Б,Д,Ф
2 А,Б,Ф
3 А, Д, Ф
4 Б, С, Д, Д, Ф
5 Б, С, Д, Д, Ф
6 А,Б,Ф
7 А,Б,Д,Ф
8 А,Б,Ф
9 А,Б,С,Д,Ф
10 А,Б,С,Е,Ф
ДОИ: 10.7717/peerjcs.385/таблица-2

В вертикальном формате данных каждая запись представляет транзакцию. Эта транзакция содержит наборы элементов, за которыми следует отдельный идентификатор транзакции. Формат базы данных вертикальных транзакций показан в таблице 5.

Таблица 3:

Созданы наборы элементов Top-2, Top-4 и Top-6.

Top-k FI Топ-2 ФУ Топ-4 ФУ Топ-6 ФУ
1 Ф:10 Ф:10 Ф:10
2 Б:9, БФ:9 Б:9, ФБ:9 Б:9, ФБ:9
3 А:8, ФА:8 А:8, ФА:8
4 ВА:7 ВА:7
5 Д:6, ПД:6
6 BD=5, FBD=5
ДОИ: 10.7717/peerjcs.385/таблица-3

Большая часть предыдущей работы использует горизонтальное представление набора данных. В нашем алгоритме используется вертикальная компоновка набора данных, поскольку горизонтальный формат данных имеет некоторые недостатки. Сначала мы преобразуем входной горизонтальный набор данных транзакций в вертикальный формат только с часто встречающимися наборами элементов и соответствующими им идентификаторами транзакций. Это генерирует наборы k элементов размера один, как показано в таблице 6.

Таблица 4:

Горизонтальный формат базы данных.

ТИД Предметы
1 А,Б,Д,Ф
2 А,Б,Ф
3 А, Д, Ф
4 Б, С, Д, Д, Ф
5 Б, С, Д, Д, Ф
6 А,Б,Ф
7 А,Б,Д,Ф
8 А,Б,Ф
9 А,Б,С,Д,Ф
10 А,Б,С,Е,Ф
ДОИ: 10.7717/peerjcs.385/таблица-4

Шаг 2. Отсортируйте все элементы в порядке убывания поддержки

Все элементы сортируются в порядке убывания, как показано на рис. 2 (шаг 2).

Таблица 5:

Вертикальный формат базы данных.

Наборы предметов ТИД
Ф 1,2,3,4,5,6,7,8,9,10
Б 1,2,4,5,6,7,8,9,10
А 1,2,3,6,7,8,9,10
Д 1,3,4,5,7,9
С 4,5,9,10
Е 4,5,10
ДОИ: 10.7717/peerjcs.385/таблица-5

Шаг 3: вычисление 2-элементных наборов из 1-элементных наборов с использованием дифференциальных наборов

Процесс обрезки

Процесс создания кандидата основан на двух ограничениях. Во-первых, требуется, чтобы размер наборов элементов был одинаковым. Во-вторых, оба набора элементов должны иметь одинаковый префикс, что означает, что каждый элемент набора элементов идентичен, кроме последнего. Когда оба набора элементов удовлетворяют этим ограничениям, k + 1 набор элементов генерируется из k-наборов элементов с помощью классов эквивалентности, т.е.т. е. 2-элементные наборы на следующем уровне генерируются путем соединения каждых двух k-элементных наборов. Топ-k часто добываемых наборов элементов вычисляет разницу между списками Tids в обоих элементах, чтобы найти значение поддержки. Это будет поддержка вновь созданных наборов элементов. Если поддержка нового набора элементов превышает минимальный k-й элемент поддержки в списке Top-k, вновь созданный набор элементов вносится в список Top-k. Точно так же k-й шаблон удаляется из списка Top-k списка и обозначается как нечастые наборы элементов.После этого шага наша первая итерация завершена, и в результате каждый набор из 2 элементов генерируется таким же образом, как и набор элементов «FB». Мы получаем 2-Itemsets, как показано на рис. 2, шаг 4).

Таблица 6:

Преобразованный формат вертикальной базы данных.

Наборы предметов ТИД
А 1,2,3,6,7,8,9,10
Б 1,2,4,5,6,7,8,9,10
С 4,5,9,10
Д 1,3,4,5,7,9
Е 4,5,10
Ф 1,2,3,4,5,6,7,8,9,10
ДОИ: 10.7717/peerjcs.385/таблица-6
Рисунок 2: Генерация структуры списка Top-k.
Процесс сокращения на шаге 3

Как показано на рис. 2 (шаг 1), мы вычисляем 2-элементные наборы из 1-элементных наборов, используя наборы разностей в данном запущенном примере. Элементы «F» и «B» объединяются и добавляются вместе для создания наборов элементов. «FB» — это набор элементов Top-k часто встречающихся.

Рассчитывается набор разностей «FB» и поддержки, который равен 9.Поддержка «FB» больше, чем минимальная поддержка, предполагаемая как поддержка k-го набора элементов в списке Top-k. Который можно использовать в качестве поддержки для сокращения набора элементов, затем набор элементов «FB» вставляется в список Top-k, и в результате каждый набор из 2 элементов генерируется таким же образом, как и набор элементов «FB», как показано на рис. 2 (шаг 3).

Шаг 4: удаление нечастых наборов элементов путем подсчета значения k

Узел набора из 1 элемента E и C удаляется путем подсчета значения k в списке Top-k.Узлы набора из 2 элементов удаляются, поскольку их частота меньше, чем минимальный k-й элемент поддержки в списке Top-k.

Шаг 5: повторение шагов 2–4

Начнем вторую итерацию с сортировки сгенерированного набора из 2 элементов, показанного на рис. 2 (шаг 6). Нам больше не нужно сканировать базу данных, чтобы связать 2-itemset в списке Top-k.

При каждом появлении элемента в списке Top-k создается новая запись. Наборы элементов инициализируются с поддержкой и Tids-списком.Набор элементов с наименьшей поддержкой, использованный для процесса сокращения, становится набором элементов k в списке Top-k. Затем наборы элементов в списке обновляются. Список Top-k расположен в порядке убывания. Наконец, все элементы с меньшей поддержкой, чем k-й элемент в списке Top-k, удаляются из списка Top-k в соответствии с процедурой подсчета Top-k, когда пользователь устанавливает значение k.

Повторяется процесс создания набора элементов. Таким образом, в этой итерации цикла мы вычисляем наборы из 3 элементов из наборов из 2 элементов, используя diffset, до набора элементов с наименьшей поддержкой в ​​списке Top-k.Наборы элементов следующего уровня генерируются с помощью классов эквивалентности. Сгенерированные наборы из 3 элементов показаны на рис. 2 (шаг 7). Процесс повторяется до тех пор, пока не будут найдены частые наборы элементов. После этого список Top-k возвращается по требованию пользователя.

Шаг 6: возвращается список Top-k

Сгенерированный Top-k-List показан на рис. 2 (шаг 8) и возвращен алгоритмом TKFIM. На рис.3.

Экспериментальные результаты

В этом разделе мы представляем оценку предлагаемой системы. Во-первых, стандартные наборы данных находятся в свободном доступе, поэтому они использовались для оценки предлагаемого алгоритма. Мы также сравниваем наши алгоритмы с двумя недавними родственными методами: алгоритм майнера Top-k, который находит наборы наиболее часто встречающихся элементов Top-k с помощью поиска набора элементов-кандидатов (CIS-дерево) (Saif-Ur-Rehman et al., 2016) и алгоритм BOMO, вычисляющий общие наборы элементов Top-k (Cheung & Fu, 2004).Тот факт, что они являются недавно предложенными методами и обеспечивают лучшие результаты, чем их предыдущие, является причиной выбора этих двух подходов. Методы вычисляют наборы частых элементов, запрашивая k у пользователя. Экспериментальная установка и набор данных представлены в следующем разделе.

Рисунок 3: Генерация часто используемых наборов элементов.

Экспериментальная установка и наборы данных

Было проведено несколько экспериментов для измерения производительности алгоритма и сравнения его результатов с методами, упомянутыми выше.Наборы данных находятся в свободном доступе и загружаются из репозитория данных Frequent Introduction of Items and Mining (FIMI) (Goethals, 2003). Детали набора данных приведены в таблице 7.

В первом столбце таблицы указано имя набора данных. Во втором столбце описывается общее количество транзакций в конкретном наборе данных. Принимая во внимание, что количество элементов в одной транзакции отображается в таких столбцах, как Средняя длина и Элементы. Столбец представляет общее количество уникальных элементов в наборе данных.В последнем столбце показан тип набора данных. Набор данных транзакций Chess, Mushroom, Connect и набор данных T10I4D100 K представляют собой три реальных транзакции. Chess — это первый настоящий набор данных с 75 предметами и 3196 сделками. Это плотный набор данных с длинным и коротким набором элементов. В наборе данных Mushroom 120 элементов и 8124 транзакции. Размер транзакции в среднем равен 23. Это разреженный набор данных, содержащий небольшое количество общих элементов. Более 130 элементов созданы для подключения. Самый длинный средний объем транзакций 43 представляет собой плотный набор данных.T10I4D100K — это синтетический набор данных, содержащий 1000 элементов и общее количество транзакций 100 000 элементов. Этот набор данных имеет в среднем 10 транзакций. Предлагаемая технология была реализована на языке программирования Python версии 3.8.1 для экспериментов. Машина Core2duo с двумя гигабайтами памяти и операционной системой Windows 10 является экспериментальной средой.

Таблица 7:

Характеристики наборов данных.

ДОИ: 10.7717/peerjcs.385/таблица-7

Результаты

Мы провели эксперименты на трех реальных и одном синтетическом наборе данных. Первый эксперимент был проведен с вышеупомянутым набором данных и результатами TKFIM, как показано в таблице 8. В первом столбце таблицы показана последовательность набора данных транзакций, во втором столбце указано имя набора данных, в третьем столбце описаны данные TKFIM. из k  = 10, в четвертом столбце показаны наборы данных транзакций топ-k майнеров, во втором столбце показаны результаты процедуры BOMO, а в последнем столбце показаны наборы элементов, отсутствующие в BOMO.На первом этапе мы сравниваем частые наборы элементов, генерируемые TKFIM, с майнером Top-k и подходом BOMO. Для 10 наиболее часто встречающихся наборов элементов в четырех наборах данных мы показываем результаты в таблице 8.

В прошлом пороговое значение поддержки Top-N и Top-N для часто используемых наборов элементов представляло собой методы анализа, такие как FP-growth, Top-N и CRMN.

Эти методы не обеспечивают важных шаблонов поддержки из-за настройки пороговых параметров. BOMO — один из лучших подходов к анализу шаблонов с использованием двух параметров (Cheung & Fu, 2004).N-самый интересный набор элементов — это объединение N-наиболее интересных наборов элементов с максимальной поддержкой значения некоторого k.

Чтобы продемонстрировать BOMO с указанными параметрами k, рассмотрев одинаковые значения указанного параметра, мы вычисляем 9 наиболее часто встречающихся наборов элементов для всех наборов данных, как показано в таблице 8. Процедура BOMO возвращает неверный результат и пропускает важные закономерности. Значение входного параметра k принимает предлагаемый нами TKFIM и извлекает все элементы Top-k в наборе данных и не пропускает самый высокий шаблон поддержки в наборе результатов, как это видно из таблицы 8.Производительность предложенной системы сейчас под вопросом, поэтому мы представляем ее результат в следующем разделе.

Результаты работы ТКФИМ

На втором этапе мы изучаем производительность предложенного нами метода TKFIM без поддержки порогового параметра, выполняя наборы экспериментов для каждого набора данных, упомянутого выше, показанного в таблице 7. Для проведения экспериментов входное значение k, предоставленное пользователем, устанавливается в диапазоне от пяти до тридцати. На рис. 4 показаны результаты производительности всех упомянутых выше подходов на наборе данных «шахматы».

На этом рисунке время выполнения каждого алгоритма указано по вертикали, а производительность каждого алгоритма показана с разными значениями k на горизонтальной полосе. Майнер Top-k плохо работает при большом значении k, предоставленном пользователем. BOMO создает большое количество нечастых паттернов, которые увеличивают время его выполнения. Во всех случаях при значении k от пяти до тридцати алгоритм BOMO показал низкую производительность. Синяя полоса представляет предлагаемый алгоритм TKFIM, коричневая полоса отражает результаты майнера Top-k, а фиолетовая полоса описывает результаты алгоритма BOMO.Представленные результаты показывают, что TKFIM превосходит как майнер Top-k, так и процедуры BOMO. Как показано на графике, TKFIM обнаруживает пять наиболее часто встречающихся элементов за 0,03 с, тогда как Top-k и BOMO тратят одинаковое количество времени на выполнение одной и той же работы.

Таблица 8:

Top-k FI, добытых Top-k miner, BOMO и TKFIM.

С.№ Наборы данных Результаты TKFIM для k= 10 Результаты Top-k Miner для k= 10 Результаты BOMO для N  = 3, k=3 Неправильные наборы результатов, пропущенные BOMO
1. Шахматы 1) 58=3195 1) 58=3195 1) 58= 3195 40= 3170
2) 52=3185 2) 52=3185 2) 52= 3185 58,40= 3169
3) 58,52=3184 3) 58,52=3184 3) 29 = 3181 52,40=3159
4) 29 = 3181 4) 29 = 3181 4) 58,52 = 3184
5) 58,29=3180 5) 58,29=3180 5) 58,29 = 3180
6) 40=3170, 52,29=3170 6) 40=3170, 52,29=3170 6) 52,29= 3170
7) 58,52,29=3169 58,40=3169 7) 58,52,29=3169 58,40=3169 7) 58,52,29=3169
8) 40=3159 8) 40=3159 8) 58,52,40=3158
9) 58,52,40=3158 9) 58,52,40=3158 9) 58,29,40=3154
10)29,40= 3155 10)29,40= 3155
2. Гриб 1) 85=8124 1) 85=8124 1) 85 = 8124 1) 90 = 7488
2) 86=7924 85,86=7924 2) 86=7924 85,86=7924 2) 86 = 7924 2) 85,90 = 7488
3) 34=7914 34,85=7914 3) 34=7914 34,85=7914 3) 34 = 7914 3) 34 = 7914
4) 34,86=7906 34,85,86=7906 4) 34,86=7906 34,85,86=7906 4) 85,86 = 7924 5)85,86,34,90=7906
5) 90=7488 90,85=7488 5) 90=7488 90,85=7488 5) 85,34 = 7914 6) 86,34,90=7906
6) 90,34=7296 90,85,34=7296 6) 90,34=7296 90,85,34=7296 6) 86,34 =7906 7) 34,90 = 7296
7) 90,86=7288 90,34,86=7288 90,85,85=7288 90,85,34,86=7288 7) 90,86=7288 90,34,86=7288 90,85,85=7288 90,85,34,86=7288 7) 85,86,34 =7906 8) 86,90=7288
8) 36=6812 36,85=6812 8) 36=6812 36,85=6812 8) 34,85,90 = 7296
9) 36,86 = 6620 36,85,86=6620 9) 36,86 = 6620 36,85,86=6620 9) 85,86,90 = 7288
10) 36,34=6602 36, 86, 34=6602 36, 85, 34=6602 36 85 86 34 =6602 10) 36,34=6602 36, 86, 34=6602 36, 85, 34=6602 36 85 86 34 =6602
3. Подключить 1) 91 = 67473 1) 91 = 67473 1) 91=67473 1) 75= 67245
2) 109=67469 2) 109=67469 2) 109=67469 2) 91, 75= 67161
3) 127= 67465 3) 127= 67465 3) 127= 67465 3) 109,75=67157
4) 91,109=67385 4) 91,109=67385 4) 91,109 = 67385
5) 91,127=67381 5) 91,127=67381 5) 91, 127=67381
6) 109,127=67377 6) 109,127=67377 6) 109,127=67377
7) 91,109,127=6729 7) 91,109,127=67293 7) 91,109,127=67293
8) 75=67245 8) 75=67245 8) 91,109,75=67073
9) 91,75=67161 9) 91,75=67161 9) 91,127,75=67069
10) 109,75=67157 10) 109,75=67157
4. Т10И4Д100К 1) 368 = 28738 1) 368 = 28738 1) 368 = 28738 1) 510 = 20125
2) 529 = 23384 2) 529 = 23384 2) 529 = 23384 2) 419 = 20216
3) 829 = 23121 3) 829 = 23121 3) 829 = 23121 3) 217 ​​= 19326
4) 419 = 20216 4) 510 = 20125 4) 368,529 =7500 4) 489 = 18921
5) 510 = 20125 5) 419 = 20216 5) 368 829 = 6957 5) 682= 17427
6) 217 ​​= 19326 6) 217 ​​= 19326 6) 368 682 =6130 6) 914 = 17343
7) 489 = 18921 7) 489 = 18921 7) 682 368 489 = 2420 7) 692= 17203
8) 682= 17427 8) 682= 17427 8) 368 529 692 = 2373
9) 914 = 17343 9) 914 = 17343 9) 368 529 829 = 2288
10) 692= 17203 10) 692= 17203
ДОИ: 10.7717/peerjcs.385/таблица-8

Точно так же мы обнаружили, что для десяти наиболее часто встречающихся наборов элементов TKFIM требуется 0,4 с, тогда как Top-k и BOMO для выполнения той же работы требуется шесть секунд. Тридцать самых частых наборов элементов по TKFIM занимают 13,21 с, тогда как Top-k – сто секунд, а BOMO – 1 010 с. Прирост производительности предлагаемого нами метода по сравнению с майнерами BOMO и Top-k на наборе данных Chess составляет 97,14 и 92,70% соответственно.

На рис. 5 показаны результаты производительности набора данных Mushroom.Время выполнения алгоритма по вертикали показано на этом рисунке, где горизонтальная полоса отражает производительность каждого алгоритма для разных значений k. Майнер Top-k хорошо работает при меньших значениях k, предоставленных пользователем. Тем не менее, BOMO плохо и увеличивает время его выполнения. Во всех случаях k от четырех до двадцати алгоритм BOMO показал плохую производительность.

Рисунок 4: Результаты производительности TKFIM на шахматных наборах данных.

Кроме того, синяя полоса представляет предлагаемый алгоритм, коричневая полоса отражает результаты майнера Top-k, а фиолетовая полоса описывает результаты алгоритма BOMO.Результаты показывают, что производительность для небольшого количества k снижается по сравнению с майнером Top-k, поскольку набор данных содержит только несколько коротких, часто используемых элементов.

TKFIM обнаруживает четыре первых общих элемента за 0,74 с, в то время как Top-k и BOMO выполняют одну и ту же задачу за секунду, как показано на графике. Точно так же TKFIM обнаружил, что восемь самых часто используемых наборов элементов занимают 1,24 с, а BOMO потребовалось четыре секунды, чтобы выполнить ту же работу. Также было обнаружено, что TKFIM для нахождения 20 наиболее часто встречающихся наборов элементов занимает 30.34 с, в то время как майнер Top-k — 130 с, а BOMO — 1010 с.

Прирост производительности предлагаемого нами метода по сравнению с BOMO и майнером Top-k на наборе данных Mushroom составляет 100 и 35,87% соответственно.

На рис. 6 показаны результаты производительности для набора данных Connect. На этом рисунке время выполнения каждого алгоритма указано на вертикальной стороне этого рисунка, а производительность каждого алгоритма с разными значениями k показана на горизонтальной полосе. Майнер Top-k работает лучше при небольших значениях k, предоставленных пользователем.Однако BOMO пострадало от увеличения времени работы. Во всех случаях k между 5 и 25,n алгоритм BOMO показал низкую производительность.

Рисунок 5: Результаты производительности TKFIM на наборе грибовидных данных.
Рисунок 6: Результаты производительности TKFIM в наборе данных подключения.

Кроме того, синяя полоса представляет предлагаемый алгоритм, коричневая полоса отражает результаты майнера Top-k, а фиолетовая полоса описывает результаты алгоритма BOMO. Как показано на графике, TKFIM обнаруживает пять наиболее часто встречающихся элементов в 3.07 с, майнеру Top-k требуется девять секунд, а BOMO выдает результат пяти наиболее часто встречающихся элементов за 76 с. Точно так же, чтобы найти 25 наиболее часто встречающихся наборов элементов, TKFIM потребовалось 60,87 с, майнеру Top-k потребовалось 79 с, а BOMO — 597 с. Прирост производительности предлагаемого нами метода по сравнению с майнерами BOMO и Top-k на наборе данных Connect составляет 78,10 и 28,53 процента соответственно.

Результаты синтетического набора данных T40I10D100K показаны на рис. 7. Длина паттерна в синтетических наборах данных короткая, но содержит 1000 элементов.На этом рисунке время выполнения каждого метода показано по вертикали, тогда как горизонтальная полоса представляет производительность каждого метода для различных значений k. Майнер Top-k лучше работает с небольшим количеством k, предоставленным пользователем. Мы провели эксперименты для k от одного до пяти.

Рисунок 7: Результаты производительности TKFIM на синтетическом наборе данных.

Кроме того, синяя полоса представляет предлагаемый алгоритм, коричневая полоса отражает результаты майнера Top-k, а фиолетовая полоса описывает результаты алгоритма BOMO.При обнаружении частых паттернов большей длины BOMO начинает страдать от радикального увеличения времени выполнения. Как показано на графике, TKFIM определяет один наиболее часто встречающийся элемент за 0,06 с, майнеру Top-k требуется шесть секунд, а BOMO выдает результат об одном наиболее часто встречающемся элементе за 76 с. Точно так же, чтобы найти пять наиболее часто встречающихся наборов элементов, TKFIM занимает 9,18 с, Top-k miner – 45 с, а BOMO – 1 699 с. Прирост производительности предлагаемого нами метода по сравнению с майнерами BOMO и Top-k на наборе данных T1014D100K составляет 99.70 и 81,27 процента соответственно.

Использование памяти TKFIM

Чтобы оценить потребление памяти алгоритмами TKFIM, мы выполняем наш метод для всех наборов данных. Для набора данных Chess TKFIM потребляет 1 МБ памяти для получения результатов топ-5, топ-10 и топ-15 FI. Однако для создания топ-25 и топ-30 наборов товаров требуется 2 МБ памяти. Точно так же в наборах грибовидных данных он потребляет 2 МБ для вычисления 16 лучших FI и 20 лучших FI. Во всех экспериментах разрыв потребления памяти увеличивается на 1 МБ при увеличении значения k.В заключение, алгоритм TKFIM представляет наименьший объем памяти для всех экспериментальных наборов данных для меньшего значения K. Результаты для различных наборов данных показаны на рис. 8. Результаты потребления памяти для набора данных T1014D100K, Connect, Mushroom и Chess: показано на рис. 8А, 8В, 8С и 8D соответственно. Эти результаты были рассчитаны с помощью кода, который может быть не очень точным из-за различных факторов, влияющих на потребление памяти. Однако из этих результатов видно, что для меньшего значения K требуется меньше памяти.

Рисунок 8: Использование памяти алгоритмом TKFIM.

Заключение

Интеллектуальный анализ часто встречающихся элементов — это захватывающая ветвь интеллектуального анализа данных, которая фокусируется на просмотре часто встречающихся элементов. Элементы могут быть из шаблонов в любом наборе данных, таких как рыночная корзина, использование слов в документах, поведение пользователей при нажатии, секвенирование генов и т. Д. Из-за широкого спектра приложений исследователи всегда пытаются найти эффективные решения. Это исследование также предложило, спроектировало и разработало алгоритм, основанный на классах эквивалентности и теории дифференциалов для извлечения наиболее часто встречающихся наборов элементов Top-k.Выяснилось, что TKFIM превзошел результаты этих подходов с точки зрения выполнения и производительности, достигнув 92,70, 35,87, 28,53 и 81,27% прироста по сравнению с майнером Top-k с использованием наборов данных Chess, Mushroom, Connect и T1014D100K соответственно.

Точно так же TKFIM достиг 97,14, 100, 78,10 и 99,70 процентов по BOMO с использованием наборов данных Chess, Mushroom, Connect и T1014D100K соответственно. Предлагаемый метод TKFIM превосходит свой аналог на каждом наборе данных. В будущем мы планируем адаптировать эту работу для решения других задач интеллектуального анализа данных, таких как последовательный анализ шаблонов, анализ временных FI, кластеризация на основе FI и добавочный анализ частых наборов элементов.

Дополнительная информация

Метод локтя для оптимального значения k в KMeans

Предпосылки: Кластеризация K-средних
Фундаментальным шагом для любого неконтролируемого алгоритма является определение оптимального количества кластеров, в которые могут быть сгруппированы данные. Метод локтя является одним из самых популярных методов определения этого оптимального значения k.
Теперь мы продемонстрируем данный метод, используя метод кластеризации K-средних, используя библиотеку Python Sklearn .
Шаг 1: Импорт необходимых библиотек

Python3

из sklearn.cluster импорт KMeans

из sklearn импорт метрики

from scipy.spatial.distance импорт cdist

импорт numpy as np

импорт matplo.lib

8

8Pyplot как PLT

Шаг 2: Создание и визуализация данных

Python3

x1 = NP.Array ([ 3 , 1 , 1 , 2 , 1 , 6 , 6 , 6 , 5 , 6 , , , 8 , 9 , 9 , 9 , 9 , 8 ])

x2 = н.п.Array ([ 5 , , 5 , 6 , 5 , 8 , 6 , 7 , , , 7 , 1 , 2 , 1 , 2 , 3 , 2 , 3 ])

X = нп.Массив ( список ( zip (x1, x2))). Reshigepe ( Len (x1), 2 )

PLT.Plot ()

PLT.xlim ([ 0 , 10 ])

PLT.YLIM ([ 0 , 10

PLT.Title ( 'Набор данных' )

пл.scatter(x1, x2)

plt.show()

Из приведенной выше визуализации видно, что оптимальное количество кластеров должно быть около 3. Но визуализация одних только данных не всегда дайте правильный ответ. Поэтому мы демонстрируем следующие шаги.
Теперь мы определяем следующее: -

  1. Искажение: Рассчитывается как среднее квадратов расстояний от центров кластеров соответствующих кластеров.Обычно используется метрика евклидова расстояния.
  2. Инерция: Это сумма квадратов расстояний от образцов до их ближайшего центра кластера.

Перебираем значения k от 1 до 9 и вычисляем значения искажений для каждого значения k, а также вычисляем искажение и инерцию для каждого значения k в заданном диапазоне.
Шаг 3: Строительство моделирования моделирования и вычисления значений инерции и инерции:

Python3

Шаг 4: Tabulatulation и визуализируя результаты
а) Использование различных значений искажения:

Python3

искажений = []

INERTIAS = []

mapping1 = {}

mapping2 = {}

К = диапазон ( 1 , 10 )

для K в K:

kmeanmodel = kmeans (n_clusters = K).Fit (x)

kmeanmodel.fit (x)

искажений (NP. min (CDist (x, kmanmodel.cluster_centers_,

'Euclidean' ), Axis = 1 / / x.shape [ 0 ])

INERTIAS.Добавить (kmeanModel.inertia_)

= Sum (NP. min (CDist (x, kmanmodel.cluster_centers_,

' euclidean ' ), Ось = = )) / x.shape [ 0

mapping2 [K] = KMEANMODEL.INERTIA_

ключей для , Val в Maporting1.items ():

(F (F (F (F ' )

Python3

PLT .Участок (k, искажения, 'bx-' )

'Значения K' )

PLT.YLABEL ( 'Искажение )

PLT.TITLE ( 'локоть метод с использованием искажений )

PLT.Show ()

B) Использование различных значений инерции:

Python3

Python3

для ключа , val в сопоставлении 2.Предметы ():

Print (F '{Key}: {val}' )

Plt.Plot ( K, Inertias, 'BX-' )

PLT.xlabel ( 'Значения K' )

PLT.YLABEL ( 'Inertia' )

plt.title( 'Метод локтя с использованием инерции' )

pt.show()

Чтобы определить оптимальное количество кластеров, мы должны выбрать значение k в «локте», то есть в точке, после которой искажение/инерция начинает линейно уменьшаться. Таким образом, для данных данных мы заключаем, что оптимальное количество кластеров для данных составляет 3 .
Сгруппированные точки данных для различных значений k: —
1. k = 1

2. k = 2

3

k = 3
 

4. k = 4
 


Удаление этикеток, классы K-12 | Корвин

 

Предисловие

 

Благодарности издателя

 

Введение: прерывание цикла начинается с вас

 

Раздел 1. Индивидуальные подходы

 

Техника 1. Правильное изучение имен

 

Техника 2.Опросы интересов

 

Техника 3. Банковское время

 

Техника 4. 2 × 10 Разговоров

 

Техника 5. Аффективные утверждения

 

Техника 6. Импровизированные конференции

 

Техника 7. Эмпатическая обратная связь

 

Техника 8. Воссоединение после отсутствия

 

Техника 9. Обозначение эмоций

 

Техника 10.Решение проблем (сделайте следующее правильное действие)

 

Раздел 2. Классные подходы

 

Техника 11. Создание благоприятной атмосферы в классе

 

Техника 12. Классные собрания

 

Техника 13. Классные социограммы

 

Техника 14. Активность в маске

 

Техника 15. Картирование активов

 

Техника 16. Равное партнерство

 

Техника 17.Пять различных одноранговых партнерств

 

Методика 18. Самооценка в совместном обучении

 

Техника 19. Стратегии справедливого группирования

 

Техника 20. Структура обучения постепенного освобождения от ответственности

 

Техника 21. Обучение с уместностью в уме

 

Техника 22. Лобзик

 

Техника 23. Ответственный разговор

 

Техника 24.Принятие решений

 

Техника 25. Альтернативы публичному унижению

 

Техника 26. Когда маленькие дети навешивают ярлыки на других — Мятая кукла

 

Техника 27. Когда старшие ученики навешивают ярлыки на других — оскорбления и эпитеты

 

Техника 28. Дизайн классной комнаты, чувствительной к травмам

 

Техника 29. Инвентаризация точек

 

Методика 30. Культурно-поддерживающая педагогика

 

Техника 31.Общешкольная инклюзивная практика

 

Техника 32. Расширение возможностей учащихся

 

Методика 33. Коллективная ответственность

 

Техника 34. Распознавание скрытой предвзятости и реагирование на нее

 

Техника 35. Расовая автобиография

 

Техника 36. Социальный капитал

 

Техника 37.

Добавить комментарий

Ваш адрес email не будет опубликован.