强奸久久久久久久|草草浮力在线影院|手机成人无码av|亚洲精品狼友视频|国产国模精品一区|久久成人中文字幕|超碰在线视屏免费|玖玖欧洲一区二区|欧美精品无码一区|日韩无遮一区二区

首頁(yè) > 資訊 > 問(wèn)答 > apriori算法，解釋一段Apriori算法的意思越詳細(xì)越好偶電腦白癡

apriori算法，解釋一段Apriori算法的意思越詳細(xì)越好偶電腦白癡

來(lái)源：整理 時(shí)間：2023-08-23 09:50:30 編輯：智能門戶 手機(jī)版

本文目錄一覽

1，解釋一段Apriori算法的意思越詳細(xì)越好偶電腦白癡

這段是經(jīng)典Ariori算法產(chǎn)生頻繁項(xiàng)集的偽代碼
bi ci再看看別人怎么說(shuō)的。

解釋一段Apriori算法的意思越詳細(xì)越好偶電腦白癡

2，Apriori算法的核心是

連接和剪枝。簡(jiǎn)言之就是對(duì)一個(gè)已知的交易數(shù)據(jù)庫(kù)D，有一個(gè)最小支持閾值min_support，即為該算法的輸入；算法的輸出為滿足最小支持閾值的頻繁項(xiàng)集L。具體為：掃描D，對(duì)每個(gè)交易商品（T1，...，Tk---1項(xiàng)候選項(xiàng)集）計(jì)數(shù)，找出滿足計(jì)數(shù)大于min_support的項(xiàng)集，即為1項(xiàng)頻繁集L1；關(guān)鍵的來(lái)了：如何由1項(xiàng)頻繁集L1產(chǎn)生2項(xiàng)候選項(xiàng)集C2，此步稱為連接。如何由C2得到L2，此步即為剪枝。從C2中找出計(jì)數(shù)大于min_support的項(xiàng)集，即為L(zhǎng)2。重復(fù)以上過(guò)程，增大頻繁項(xiàng)集的長(zhǎng)度，直至沒(méi)有更長(zhǎng)的頻繁項(xiàng)集。

Apriori算法的核心是

3，有誰(shuí)懂a(chǎn)priori算法啊

五行相生: 金生水, 水生木, 木生火, 火生土, 土生金. 五行相克: 金克木, 木克土, 土克水, 水克火, 火克金 眾勝寡, 故水勝火. 精勝堅(jiān), 故火勝金. 剛勝柔, 故金勝木. 專勝散, 故木勝土. 實(shí)勝虛, 故土勝水.
經(jīng)典Apriori算法分兩部分：一是頻繁項(xiàng)的產(chǎn)生，二是根據(jù)頻繁項(xiàng)產(chǎn)生關(guān)聯(lián)規(guī)則；重點(diǎn)的是第一部，會(huì)開(kāi)銷很多時(shí)間；其中頻繁項(xiàng)的產(chǎn)生又分成2部分：一是連接步，一是剪枝步；推薦書籍；數(shù)據(jù)挖掘概念與技術(shù) 數(shù)據(jù)挖掘?qū)д撨@個(gè)頻繁項(xiàng)產(chǎn)生比較麻煩，文字打不清楚，不懂的再問(wèn)我，我最近在做畢設(shè)。

有誰(shuí)懂a(chǎn)priori算法啊

4，Apriori算法是什么適用于什么情境

Apriori是數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則挖掘算法你框出來(lái)的是用SQL來(lái)表述了，找出所有的可能組合
經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法包括apriori算法和fp-growth算法。apriori算法多次掃描交易數(shù)據(jù)庫(kù)，每次利用候選頻繁集產(chǎn)生頻繁集；而fp-growth則利用樹(shù)形結(jié)構(gòu)，無(wú)需產(chǎn)生候選頻繁集而是直接得到頻繁集，大大減少掃描交易數(shù)據(jù)庫(kù)的次數(shù)，從而提高了算法的效率。但是apriori的算法擴(kuò)展性較好，可以用于并行計(jì)算等領(lǐng)域。 apriori algorithm是關(guān)聯(lián)規(guī)則里一項(xiàng)基本算法。是由rakesh agrawal和ramakrishnan srikant兩位博士在1994年提出的關(guān)聯(lián)規(guī)則挖掘算法。關(guān)聯(lián)規(guī)則的目的就是在一個(gè)數(shù)據(jù)集中找出項(xiàng)與項(xiàng)之間的關(guān)系，也被稱為購(gòu)物藍(lán)分析 (market basket analysis)，因?yàn)椤百?gòu)物藍(lán)分析”很貼切的表達(dá)了適用該算法情景中的一個(gè)子集。

5，apriori算法使用了什么性質(zhì)

Apriori性質(zhì)：一個(gè)頻繁項(xiàng)集的任一子集也應(yīng)該是頻繁項(xiàng)集。證明根據(jù)定義，若一個(gè)項(xiàng)集I不滿足最小支持度閾值min_sup，則I不是頻繁的，即P（I）http://baike.baidu.com/link?url=8F29ZS1ufQ4gtAsaXsyZr_lOEn0I6VOGVoeszB7nCesMkZxU4vWNKnHeDyKWvXjSjTYiRtLoLs1OJ_Eut632ia
我想weka應(yīng)該很適合你吧^^用來(lái)跑一跑自己的算法或者直接用它的api做二次開(kāi)發(fā)都是很方便的，比如你提到的~只是原始算法和自己算法的對(duì)比一下是不難實(shí)現(xiàn)的，在自己的代碼里分別初始化兩個(gè)算法對(duì)象模型，一起training一起testing，最后把得出的結(jié)果放一起就行了。至于圖形界面怎么組織就按自己的需要做就好啦。如果不想寫代碼的話就用weka自己的圖形界面weka explorer或者work flow跑幾遍也行，因?yàn)閣eka自己的圖形化表示已經(jīng)很多樣很直觀啦^^推薦一本書的話就是這個(gè)啦：data mining: practical machine learning tools and techniques (second edition) 作者是ian witten就是weka的配套教材啦，例子很豐富，由淺入深的，很好上手的。有進(jìn)一步的問(wèn)題就去weka list里找答案吧，很棒的討論組，起碼對(duì)我?guī)椭艽螅ㄟB接在參考資料里）。希望對(duì)你有幫助^^

6，利用Apriori算法產(chǎn)生頻繁項(xiàng)集min sup06給出具體計(jì)算過(guò)程

Apriori算法是一種發(fā)現(xiàn)頻繁項(xiàng)集的基本算法。算法使用頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)。Apriori算法使用一種稱為逐層搜索的迭代方法，其中K項(xiàng)集用于探索(k+1)項(xiàng)集。首先，通過(guò)掃描數(shù)據(jù)庫(kù)，累計(jì)每個(gè)項(xiàng)的計(jì)數(shù)，并收集滿足最小支持度的項(xiàng)，找出頻繁1項(xiàng)集的集合。該集合記為L(zhǎng)1.然后，使用L1找出頻繁2項(xiàng)集的集合L2，使用L2找到L3，如此下去，直到不能再找到頻繁k項(xiàng)集。Apriori算法的主要步驟如下：(1)掃描事務(wù)數(shù)據(jù)庫(kù)中的每個(gè)事務(wù)，產(chǎn)生候選1．項(xiàng)集的集合Cl；(2)根據(jù)最小支持度min_sup，由候選l-項(xiàng)集的集合Cl產(chǎn)生頻繁1一項(xiàng)集的集合Ll；(3)對(duì)k=l；(4)由Lk執(zhí)行連接和剪枝操作，產(chǎn)生候選(k+1)．項(xiàng)集的集合Ck+l-(5)根據(jù)最小支持度min_sup，由候選(k+1)一項(xiàng)集的集合Ck+l產(chǎn)生頻繁(k+1)-項(xiàng)集的集合Lk+1．(6)若L?≠①，則k．k+1，跳往步驟(4)；否則，跳往步驟(7)；(7)根據(jù)最小置信度min_conf,由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，結(jié)束。
雷達(dá)成像基于目標(biāo)的散射點(diǎn)模型.雷達(dá)通常發(fā)射長(zhǎng)時(shí)寬的線頻調(diào)(chirp)信號(hào)，然后用參考信號(hào)對(duì)回波作解線頻調(diào)(dechirp)處理，再將解線頻調(diào)的回波作橫向排列，則在一定條件下它可近似為二維正弦信號(hào)模型，通過(guò)二維傅里葉變換，可以重構(gòu)目標(biāo)的二維像；采用超分辨算法［1～3］，還可得到更精細(xì)的二維目標(biāo)像. 應(yīng)當(dāng)指出，上述二維模型是假設(shè)散射點(diǎn)在成像期間不發(fā)生超越分辨單元走動(dòng)，近似認(rèn)為散射點(diǎn)的移動(dòng)只影響回波的相移，而子回波包絡(luò)則固定不變.這種近似，只適用于小觀察角時(shí)參考點(diǎn)附近有限小尺寸目標(biāo)成像. 如果目標(biāo)較大，特別是在離參考點(diǎn)較遠(yuǎn)處，越分辨單元移動(dòng)(mtrc)便會(huì)發(fā)生，從而使得用簡(jiǎn)單二維模型獲得的圖像模糊.傳統(tǒng)解決的方法是按目標(biāo)轉(zhuǎn)動(dòng)用極坐標(biāo)-直角坐標(biāo)插值.插值不可避免地會(huì)有誤差，而超分辨算法通?；趨?shù)化估計(jì)，對(duì)誤差較為敏感，這會(huì)影響成像質(zhì)量. 本文介紹一種近似度較高的二維模型，并利用該模型通過(guò)超分辨算法成像，可獲得較好的結(jié)果. 二、維回波模型 設(shè)目標(biāo)有k個(gè)散射點(diǎn)，雷達(dá)以平面波自下向上照射目標(biāo)(圖1).目標(biāo)以參考點(diǎn)為原點(diǎn)相對(duì)雷達(dá)射線轉(zhuǎn)動(dòng)，經(jīng)過(guò)n次脈沖發(fā)射，散射點(diǎn)pk點(diǎn)移至p′k點(diǎn)，移動(dòng)中第n次脈沖時(shí)該散射點(diǎn)的垂直坐標(biāo)為： ykn=yk+δykn=xksin(nδθ)+ykcos(nδθ),n=0,1,…,n-1 (1) 式中δθ為相鄰脈沖的轉(zhuǎn)角，總觀測(cè)角δθ=(n-1)δθ.考慮到雷達(dá)發(fā)射的是長(zhǎng)時(shí)寬的線頻調(diào)信號(hào)，以原點(diǎn)為參考作解線頻調(diào)處理，并對(duì)信號(hào)以 的頻率采樣，得目標(biāo)的回波信號(hào)(離散形式)為： (2) 式中ak為第k個(gè)散射點(diǎn)子回波信號(hào)的復(fù)振幅;fc、γ分別是雷達(dá)載頻和調(diào)頻率，c為光速；e(m,n)為加性噪聲. 圖1 二維雷達(dá)目標(biāo)幾何圖 由于觀測(cè)角δθ很小，取近似sin(nδθ)≈nδθ和cos(nδθ)≈1，則式(2)可近似寫成: (3) 式中 式(3)指數(shù)項(xiàng)中的第三項(xiàng)是時(shí)頻耦合項(xiàng)，它是線頻調(diào)信號(hào)(其模糊函數(shù)為斜橢圓)所特有的，如果采用窄脈沖發(fā)射，則該項(xiàng)不存在.將該項(xiàng)忽略，則式(3)成為常用的回波二維正弦信號(hào)模型. 實(shí)際上，式(3)的第三項(xiàng)系“距離移動(dòng)”項(xiàng)，它與散射點(diǎn)的橫坐標(biāo)xk成正比，目標(biāo)區(qū)域大時(shí)必須考慮，而且這還遠(yuǎn)遠(yuǎn)不夠，散射點(diǎn)的多普勒移動(dòng)也必須考慮.為此，令sin(nδθ)≈nδθ和cos(nδθ)≈1-(nδθ)2/2，則式(2)較精確的近似式可寫成： (4) 式(4)與式(3)相比較，指數(shù)中增加了兩項(xiàng)，其中前一項(xiàng)是“多普勒移動(dòng)”項(xiàng)，縱坐標(biāo)yk越大，影響也越大，這可以補(bǔ)充式(3)之不足；而后項(xiàng)是時(shí)頻耦合的多普勒移動(dòng)項(xiàng)，由于mγ/fs< (5) 需要指出，每個(gè)散射點(diǎn)的參數(shù)之間存在下述關(guān)系：ωk/μk=2γ/fsfcδθ2和 k/vk=fcfs/γδθ.由于雷達(dá)參數(shù)(fc,γ,fs)和運(yùn)動(dòng)參數(shù)(δθ)均已知，所以待估計(jì)的五個(gè)參數(shù)中只有三個(gè)是獨(dú)立的.本文假設(shè)五個(gè)參數(shù)是獨(dú)立的，而在成像計(jì)算中已考慮參數(shù)之間的關(guān)系. 設(shè){ξk}kk=1≡{αk,ωk, k,μk,vk}kk=1，現(xiàn)在我們要從y(m,n)中估計(jì)參量{ξk}kk=1. 三、二維推廣的relax算法 對(duì)于(5)式所示的信號(hào)模型，令： y=［y(m,n)］m×n 則 (6) 式中 設(shè)ξk估計(jì)值為 ，則ξk的估計(jì)問(wèn)題可通過(guò)優(yōu)化下述代價(jià)函數(shù)解決： (7) 式中‖.‖f表示矩陣的frobenius范數(shù)，⊙表示矩陣的hadamard積. 上式中c1的最優(yōu)化是一個(gè)多維空間的尋優(yōu)問(wèn)題，十分復(fù)雜.本文將relax［3］算法推廣以求解.為此，首先做以下準(zhǔn)備工作，令： (8) 即假定{ i}i=1,2,…,k,i≠k已經(jīng)求出，則式(7)c1的極小化等效于下式的極小化： c2(ξk)=‖yk-αk(am(ωk)btn( k)pk)⊙dk(vk)‖2f (9) 令： zk=ykp-1k⊙dk(-vk) (10) 由于pk為酉矩陣，矩陣dk的每個(gè)元素的模|dk(m,n)|=1,顯然矩陣yk與zk的f范數(shù)相同，故c2的極小化等效于下式的極小化： c3=‖zk-αkam(ωk)btn( k)‖2f (11) 對(duì)上式關(guān)于αk求極小值就獲得αk的估計(jì)值 k： k=ahm(ωk)zkb*n( k)/(mn) (12) 從式(12)可以看出： 是zk歸一化的二維離散傅里葉變換在{ωk, k}處的值，所以只要得到估計(jì)值{ k, k, k, k}，即可通過(guò)2d-fft獲得 k. 將估計(jì)值 k代入式(11)后，估計(jì)值{ k, k, k, k}可由下式尋優(yōu)得到： (13) 由上式可見(jiàn)，對(duì)于固定的{μk,vk}取值,估計(jì)值{ k, k}為歸一化的周期圖|ahm(ωk)zkb*n( k)|2/(mn)主峰處的二維頻率值.這樣，式(13)的優(yōu)化問(wèn)題歸結(jié)為：在(μk,vk)平面上可能的取值范圍內(nèi)尋找一點(diǎn){ k, k}，在該點(diǎn)處周期圖|ahm(ωk)zkb*n( k)|2/(mn)的主峰值比其余各點(diǎn)處的主峰值都大.所以，我們通過(guò)上述二維尋優(yōu)獲得{μk,vk}的估計(jì)值{ k, k}，再由式(13)得到{ωk, k}的估計(jì)值{ k, k}. 實(shí)際中，為了加快運(yùn)算速度，二維(μk,vk)平面的尋優(yōu)可以用matlab中的函數(shù)fmin()實(shí)現(xiàn). 在做了以上的準(zhǔn)備工作以后，基于推廣的relax算法的參量估計(jì)步驟如下： 第一步：假設(shè)信號(hào)數(shù)k=1,分別利用式(13)和式(12)計(jì)算 1. 第二步(2)：假設(shè)信號(hào)數(shù)k=2，首先將第一步計(jì)算所得到的 1代入式(8)求出y2，再利用式(13)和式(12)計(jì)算 2；將計(jì)算的 2代入式(8)求出y1，然后利用式(13)和式(12)重新計(jì)算 1，這個(gè)過(guò)程反復(fù)疊代，直至收斂. 第三步:假設(shè)信號(hào)數(shù)k=3,首先將第二步計(jì)算所得到的 1和 2代入式(8)求出y3，再利用式(13)和式(12)計(jì)算 3；將計(jì)算的 3和 2代入式(8)求出y1，然后利用式(13)和式(12)重新計(jì)算 1；將計(jì)算的 1和 3代入式(8)求出y2，然后利用式(13)和式(12)重新計(jì)算 2，這個(gè)過(guò)程反復(fù)疊代，直至收斂. 剩余步驟：令k=k+1,上述步驟持續(xù)進(jìn)行，直到k等于待估計(jì)信號(hào)數(shù). 上述過(guò)程中的收斂判據(jù)與relax算法的收斂判據(jù)相同，即比較代價(jià)函數(shù)c1在兩次疊代過(guò)程中的變化值，如果這個(gè)變換值小于某個(gè)值，如ε=10-3，則認(rèn)為過(guò)程收斂. 四、數(shù)值模擬 1.算法參數(shù)估計(jì)性能模擬 模擬數(shù)據(jù)由式（5）產(chǎn)生，m=10,n=10，信號(hào)數(shù)k=2.信號(hào)參數(shù)和實(shí)驗(yàn)條件如表1所示,為復(fù)高斯白噪聲.注意兩信號(hào)的頻率差小于fft的分辨率δf=δω/(2π)=0.1.表1給出了信號(hào)參數(shù)估計(jì)均方根誤差的統(tǒng)計(jì)結(jié)果及相應(yīng)情形時(shí)的c-r界，可見(jiàn)，估計(jì)均方根誤差與cr界十分接近.另外表中還給出了估計(jì)均值，與真實(shí)值也非常接近. 表1 二維信號(hào)的參數(shù)估計(jì)、crb及與均方根差的比較 2.sar成像模擬 雷達(dá)參數(shù)為：中心頻率f0=24.24ghz,調(diào)頻率γ=33.357×1011hz/s,帶寬b=133.5mhz,脈沖寬度tp=40μs.四個(gè)點(diǎn)目標(biāo)作正方形放置，間隔50米，左下角的點(diǎn)作為參考點(diǎn).雷達(dá)與目標(biāo)間隔1公里，觀察角δθ=3.15，數(shù)據(jù)長(zhǎng)度為128×128.采用fft成像方法時(shí)，其縱向和橫向距離分辨率為ρr=ρa(bǔ)=1.123米，防止mtrc現(xiàn)象發(fā)生所需的目標(biāo)最大范圍為［4］：縱向尺寸dr＜4ρ2r/λ=40米，橫向尺寸da＜4ρ2a/λ=40米.采用常規(guī)超分辨方法時(shí)，目標(biāo)尺寸dr=da＞10米則出現(xiàn)明顯的性能下降.圖2、圖3分別給出了relax方法及本文推廣的relax(extended relax)算法的成像結(jié)果.可以看出，由于目標(biāo)遠(yuǎn)離參考中心，已在橫向和縱向出現(xiàn)距離走動(dòng)，采用常規(guī)超分辨的relax算法產(chǎn)生圖像模糊，對(duì)于本文算法，則得到基本正確的成像結(jié)果.圖4和圖5則比較了relax算法和推廣的relax算法的散射點(diǎn)強(qiáng)度估計(jì)結(jié)果，可以看到，relax算法由于距離走動(dòng)影響，散射點(diǎn)（除參考點(diǎn)以外）的強(qiáng)度降低.對(duì)于本文算法，散射點(diǎn)強(qiáng)度接近真實(shí)值. 圖2 距離走動(dòng)誤差下的relax成像結(jié)果 圖3 距離走動(dòng)誤差下的 圖4 relax方法估計(jì)的信號(hào)強(qiáng)度推廣relax成像結(jié)果 圖5 推廣relax方法估計(jì)的信號(hào)強(qiáng)度 五、結(jié)束語(yǔ) 現(xiàn)有的雷達(dá)成像超分辨算法是基于目標(biāo)回波信號(hào)的二維正弦信號(hào)模型，所以僅適用于目標(biāo)位于參考點(diǎn)附近很小區(qū)域時(shí)的情形.當(dāng)目標(biāo)遠(yuǎn)離參考點(diǎn)時(shí)，模型誤差，特別是距離走動(dòng)誤差，將使算法性能嚴(yán)重下降或失效.為此，本文提出一種基于雷達(dá)成像近似二維模型的超分辨算法,從而擴(kuò)大了超分辨算法的適用范圍.本文進(jìn)一步的工作包括sar實(shí)測(cè)數(shù)據(jù)成像及isar機(jī)動(dòng)目標(biāo)成像，結(jié)果將另文報(bào)道. 附 錄：參數(shù)估計(jì)的c-r界 下面我們給出式(5)所示的二維信號(hào)參量估計(jì)的c-r界表達(dá)式.同時(shí)假設(shè)式(5)中加性噪聲為零均值高斯色噪聲，其協(xié)方差矩陣未知.令： y=vec(y) (a.1) e=vec(e) (a.2) dk=vec(dk) (a.3) 式中vec(x)=(xt1,xt2，…，xtn)t，向量xn(n=1,2,…,n)為矩陣x的列向量.我們將式(5)改寫為如下向量形式： (a.4) 式中 表示kronecker積,ω=［{［p1bn( 1)］ am(ω1)}⊙d1…{［pkbn( k)］ am(ωk)}⊙dk］,α=(α1，α2，…，αk)t. 令q=e(eeh)為e的協(xié)方差矩陣，則對(duì)于由式(a.4)所示的二維信號(hào)模型，其fisher信息陣(fim)的第ij個(gè)元素推廣的slepian-bangs公式為［5,6］: (fim)ij=tr(q-1q′iq-1q′j)+2re［(αhωh)′iq-1(ωα)′j］ (a.5) 式中x′i表示矩陣x對(duì)第i個(gè)參數(shù)求導(dǎo)，tr(x)為矩陣的跡，re(x)為矩陣的實(shí)部.由于q與ωα中的參量無(wú)關(guān)，而ωα亦與q的元素?zé)o關(guān)，顯然fim為一塊對(duì)角陣.所以待估計(jì)參量的c-r界矩陣由(a.5)式的第二項(xiàng)得到. 令：η=(［re(α)］t［im(α)］tωt tμtvt)t (a.6) 式中ω=(ω1，ω2，…，ωk)t,μ=(μ1,μ2,…,μk)t, =( 1， 2，…， k)t,v=(v1,v2,…,vk)t. 令：f=［ω jω dωθ d θ dμθ dvθ］ (a.7) 式中矩陣dω、d 、dμ、dv的第k列分別為： ［{［pkbn( k)］ am(ωk)}⊙dk］/ ωk、 ［{［pkbn( k)］ am(ωk)}⊙dk］/ k、 ［{［pkbn( k)］ am(ωk)}⊙dk］/ μk、 ［{［pkbn( k)］ am(ωk)}⊙dk］/ vk，θ=diag{α1 α2 … αk}.則關(guān)于參量向量η的crb矩陣為 crb(η)=［2re(fhq-1f)］-1 (a.8)
文章TAG：apriori算法解釋一段Apriori算法的意思越詳細(xì)越好偶電腦白癡

最近更新

相關(guān)文章