数据流频繁项挖掘算法(Manku)

关联规则挖掘是数据挖掘领域中重要的研究内容，频繁项集挖掘又是关联规则挖掘中的关键问题之一。针对已有的频繁项集挖掘算法存在的问题，通过对Apriori算法的分析，提出了Inter-Apriori频繁项集

Mining and updating algorithm for maximum frequent itemsets based on fp_Tree

为了克服噪声、遮挡、背景的改变等对目标识别带来的困难，出现了很多的跟踪算法。提出了一种基于HSV色彩空间的目标跟踪融合算法，即在较短时间内，将目标的运动看作一时不变系统，引入卡尔曼滤波进行参数辨识，使

引言 案例推理（Case-based Reasoning，CBR）[1]属于类比推理的 机器学习方法，是帮助人们获取实例样本性知识的手段

为了提高网站的利用率及优化网站,构建了Web数据流挖掘系统,介绍了该系统的框架结构,并以商丘师范学院校园网为挖掘对象,说明了Web数据流挖掘的工作流程以及Web资源服务的具体实现流程。实践证明,基于W

数据流 active => passive emitter <- reactive 时间从左到右。 箭头从依赖性指向依赖性。 主动的“事物”需要被动的“事物”并调用其行为。 Rea

频繁模式挖掘的基本算法，不错的ppt,数据挖掘领域的基础方法，入门必学

针对UF-growth算法构造大量树节点和分支的局限性,且不断计算候选数据项支持度的不足,提出压缩UF-tree算法。压缩UF-tree算法改变建树条件:事务中数据项与树中某个分支节点的数据项匹配时,

传统不确定数据频繁挖掘系统工作过程花费的时间较长,且挖掘结果与真实结果误差较大。为了解决上述问题,基于深度学习研究了一种新的不确定数据频繁挖掘系统,在硬件结构中建立深度学习挖掘模型,通过传感器、隐层、

基于不确定数据的频繁项集挖掘算法已经得到了广泛的研究。对于记录用户敏感信息的不确定数据，攻击者可以利用自己掌握的背景信息，通过分析基于不确定数据的频繁项集从而获得用户的敏感信息。为了从不确定的数据集中