apriori算法，解释一段Apriori算法的意思越详细越好偶电脑白痴

来源：整理时间：2023-08-23 09:50:30 编辑：智能门户手机版

本文目录一览

1，解释一段Apriori算法的意思越详细越好偶电脑白痴
2，Apriori算法的核心是
3，有谁懂apriori算法啊
4，Apriori算法是什么适用于什么情境
5，apriori算法使用了什么性质
6，利用Apriori算法产生频繁项集min sup06给出具体计算过程

1，解释一段Apriori算法的意思越详细越好偶电脑白痴

这段是经典Ariori算法产生频繁项集的伪代码

bi ci再看看别人怎么说的。

解释一段Apriori算法的意思越详细越好偶电脑白痴

2，Apriori算法的核心是

连接和剪枝。简言之就是对一个已知的交易数据库D，有一个最小支持阈值min_support，即为该算法的输入；算法的输出为满足最小支持阈值的频繁项集L。具体为：扫描D，对每个交易商品（T1，...，Tk---1项候选项集）计数，找出满足计数大于min_support的项集，即为1项频繁集L1；关键的来了：如何由1项频繁集L1产生2项候选项集C2，此步称为连接。如何由C2得到L2，此步即为剪枝。从C2中找出计数大于min_support的项集，即为L2。重复以上过程，增大频繁项集的长度，直至没有更长的频繁项集。

Apriori算法的核心是

3，有谁懂apriori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, 火克金众胜寡, 故水胜火. 精胜坚, 故火胜金. 刚胜柔, 故金胜木. 专胜散, 故木胜土. 实胜虚, 故土胜水.

经典Apriori算法分两部分：一是频繁项的产生，二是根据频繁项产生关联规则；重点的是第一部，会开销很多时间；其中频繁项的产生又分成2部分：一是连接步，一是剪枝步；推荐书籍；数据挖掘概念与技术数据挖掘导论这个频繁项产生比较麻烦，文字打不清楚，不懂的再问我，我最近在做毕设。

有谁懂apriori算法啊

4，Apriori算法是什么适用于什么情境

Apriori是数据挖掘的关联规则挖掘算法你框出来的是用SQL来表述了，找出所有的可能组合

经典的关联规则挖掘算法包括apriori算法和fp-growth算法。apriori算法多次扫描交易数据库，每次利用候选频繁集产生频繁集；而fp-growth则利用树形结构，无需产生候选频繁集而是直接得到频繁集，大大减少扫描交易数据库的次数，从而提高了算法的效率。但是apriori的算法扩展性较好，可以用于并行计算等领域。 apriori algorithm是关联规则里一项基本算法。是由rakesh agrawal和ramakrishnan srikant两位博士在1994年提出的关联规则挖掘算法。关联规则的目的就是在一个数据集中找出项与项之间的关系，也被称为购物蓝分析 (market basket analysis)，因为“购物蓝分析”很贴切的表达了适用该算法情景中的一个子集。

5，apriori算法使用了什么性质

Apriori性质：一个频繁项集的任一子集也应该是频繁项集。证明根据定义，若一个项集I不满足最小支持度阈值min_sup，则I不是频繁的，即P（I）http://baike.baidu.com/link?url=8F29ZS1ufQ4gtAsaXsyZr_lOEn0I6VOGVoeszB7nCesMkZxU4vWNKnHeDyKWvXjSjTYiRtLoLs1OJ_Eut632ia

我想weka应该很适合你吧^^用来跑一跑自己的算法或者直接用它的api做二次开发都是很方便的，比如你提到的~只是原始算法和自己算法的对比一下是不难实现的，在自己的代码里分别初始化两个算法对象模型，一起training一起testing，最后把得出的结果放一起就行了。至于图形界面怎么组织就按自己的需要做就好啦。如果不想写代码的话就用weka自己的图形界面weka explorer或者work flow跑几遍也行，因为weka自己的图形化表示已经很多样很直观啦^^推荐一本书的话就是这个啦：data mining: practical machine learning tools and techniques (second edition) 作者是ian witten就是weka的配套教材啦，例子很丰富，由浅入深的，很好上手的。有进一步的问题就去weka list里找答案吧，很棒的讨论组，起码对我帮助很大（连接在参考资料里）。希望对你有帮助^^

6，利用Apriori算法产生频繁项集min sup06给出具体计算过程

Apriori算法是一种发现频繁项集的基本算法。算法使用频繁项集性质的先验知识。Apriori算法使用一种称为逐层搜索的迭代方法，其中K项集用于探索(k+1)项集。首先，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合。该集合记为L1.然后，使用L1找出频繁2项集的集合L2，使用L2找到L3，如此下去，直到不能再找到频繁k项集。Apriori算法的主要步骤如下：(1)扫描事务数据库中的每个事务，产生候选1．项集的集合Cl；(2)根据最小支持度min_sup，由候选l-项集的集合Cl产生频繁1一项集的集合Ll；(3)对k=l；(4)由Lk执行连接和剪枝操作，产生候选(k+1)．项集的集合Ck+l-(5)根据最小支持度min_sup，由候选(k+1)一项集的集合Ck+l产生频繁(k+1)-项集的集合Lk+1．(6)若L?≠①，则k．k+1，跳往步骤(4)；否则，跳往步骤(7)；(7)根据最小置信度min_conf,由频繁项集产生强关联规则，结束。

雷达成像基于目标的散射点模型.雷达通常发射长时宽的线频调(chirp)信号，然后用参考信号对回波作解线频调(dechirp)处理，再将解线频调的回波作横向排列，则在一定条件下它可近似为二维正弦信号模型，通过二维傅里叶变换，可以重构目标的二维像；采用超分辨算法［1～3］，还可得到更精细的二维目标像. 应当指出，上述二维模型是假设散射点在成像期间不发生超越分辨单元走动，近似认为散射点的移动只影响回波的相移，而子回波包络则固定不变.这种近似，只适用于小观察角时参考点附近有限小尺寸目标成像. 如果目标较大，特别是在离参考点较远处，越分辨单元移动(mtrc)便会发生，从而使得用简单二维模型获得的图像模糊.传统解决的方法是按目标转动用极坐标-直角坐标插值.插值不可避免地会有误差，而超分辨算法通常基于参数化估计，对误差较为敏感，这会影响成像质量. 本文介绍一种近似度较高的二维模型，并利用该模型通过超分辨算法成像，可获得较好的结果. 二、维回波模型设目标有k个散射点，雷达以平面波自下向上照射目标(图1).目标以参考点为原点相对雷达射线转动，经过n次脉冲发射，散射点pk点移至p′k点，移动中第n次脉冲时该散射点的垂直坐标为： ykn=yk+δykn=xksin(nδθ)+ykcos(nδθ),n=0,1,…,n-1 (1) 式中δθ为相邻脉冲的转角，总观测角δθ=(n-1)δθ.考虑到雷达发射的是长时宽的线频调信号，以原点为参考作解线频调处理，并对信号以的频率采样，得目标的回波信号(离散形式)为： (2) 式中ak为第k个散射点子回波信号的复振幅;fc、γ分别是雷达载频和调频率，c为光速；e(m,n)为加性噪声. 图1 二维雷达目标几何图由于观测角δθ很小，取近似sin(nδθ)≈nδθ和cos(nδθ)≈1，则式(2)可近似写成: (3) 式中式(3)指数项中的第三项是时频耦合项，它是线频调信号(其模糊函数为斜椭圆)所特有的，如果采用窄脉冲发射，则该项不存在.将该项忽略，则式(3)成为常用的回波二维正弦信号模型. 实际上，式(3)的第三项系“距离移动”项，它与散射点的横坐标xk成正比，目标区域大时必须考虑，而且这还远远不够，散射点的多普勒移动也必须考虑.为此，令sin(nδθ)≈nδθ和cos(nδθ)≈1-(nδθ)2/2，则式(2)较精确的近似式可写成： (4) 式(4)与式(3)相比较，指数中增加了两项，其中前一项是“多普勒移动”项，纵坐标yk越大，影响也越大，这可以补充式(3)之不足；而后项是时频耦合的多普勒移动项，由于mγ/fs< (5) 需要指出，每个散射点的参数之间存在下述关系：ωk/μk=2γ/fsfcδθ2和 k/vk=fcfs/γδθ.由于雷达参数(fc,γ,fs)和运动参数(δθ)均已知，所以待估计的五个参数中只有三个是独立的.本文假设五个参数是独立的，而在成像计算中已考虑参数之间的关系. 设{ξk}kk=1≡{αk,ωk, k,μk,vk}kk=1，现在我们要从y(m,n)中估计参量{ξk}kk=1. 三、二维推广的relax算法对于(5)式所示的信号模型，令： y=［y(m,n)］m×n 则 (6) 式中设ξk估计值为，则ξk的估计问题可通过优化下述代价函数解决： (7) 式中‖.‖f表示矩阵的frobenius范数，⊙表示矩阵的hadamard积. 上式中c1的最优化是一个多维空间的寻优问题，十分复杂.本文将relax［3］算法推广以求解.为此，首先做以下准备工作，令： (8) 即假定{ i}i=1,2,…,k,i≠k已经求出，则式(7)c1的极小化等效于下式的极小化： c2(ξk)=‖yk-αk(am(ωk)btn( k)pk)⊙dk(vk)‖2f (9) 令： zk=ykp-1k⊙dk(-vk) (10) 由于pk为酉矩阵，矩阵dk的每个元素的模|dk(m,n)|=1,显然矩阵yk与zk的f范数相同，故c2的极小化等效于下式的极小化： c3=‖zk-αkam(ωk)btn( k)‖2f (11) 对上式关于αk求极小值就获得αk的估计值 k： k=ahm(ωk)zkb*n( k)/(mn) (12) 从式(12)可以看出：是zk归一化的二维离散傅里叶变换在{ωk, k}处的值，所以只要得到估计值{ k, k, k, k}，即可通过2d-fft获得 k. 将估计值 k代入式(11)后，估计值{ k, k, k, k}可由下式寻优得到： (13) 由上式可见，对于固定的{μk,vk}取值,估计值{ k, k}为归一化的周期图|ahm(ωk)zkb*n( k)|2/(mn)主峰处的二维频率值.这样，式(13)的优化问题归结为：在(μk,vk)平面上可能的取值范围内寻找一点{ k, k}，在该点处周期图|ahm(ωk)zkb*n( k)|2/(mn)的主峰值比其余各点处的主峰值都大.所以，我们通过上述二维寻优获得{μk,vk}的估计值{ k, k}，再由式(13)得到{ωk, k}的估计值{ k, k}. 实际中，为了加快运算速度，二维(μk,vk)平面的寻优可以用matlab中的函数fmin()实现. 在做了以上的准备工作以后，基于推广的relax算法的参量估计步骤如下：第一步：假设信号数k=1,分别利用式(13)和式(12)计算 1. 第二步(2)：假设信号数k=2，首先将第一步计算所得到的 1代入式(8)求出y2，再利用式(13)和式(12)计算 2；将计算的 2代入式(8)求出y1，然后利用式(13)和式(12)重新计算 1，这个过程反复叠代，直至收敛. 第三步:假设信号数k=3,首先将第二步计算所得到的 1和 2代入式(8)求出y3，再利用式(13)和式(12)计算 3；将计算的 3和 2代入式(8)求出y1，然后利用式(13)和式(12)重新计算 1；将计算的 1和 3代入式(8)求出y2，然后利用式(13)和式(12)重新计算 2，这个过程反复叠代，直至收敛. 剩余步骤：令k=k+1,上述步骤持续进行，直到k等于待估计信号数. 上述过程中的收敛判据与relax算法的收敛判据相同，即比较代价函数c1在两次叠代过程中的变化值，如果这个变换值小于某个值，如ε=10-3，则认为过程收敛. 四、数值模拟 1.算法参数估计性能模拟模拟数据由式（5）产生，m=10,n=10，信号数k=2.信号参数和实验条件如表1所示,为复高斯白噪声.注意两信号的频率差小于fft的分辨率δf=δω/(2π)=0.1.表1给出了信号参数估计均方根误差的统计结果及相应情形时的c-r界，可见，估计均方根误差与cr界十分接近.另外表中还给出了估计均值，与真实值也非常接近. 表1 二维信号的参数估计、crb及与均方根差的比较 2.sar成像模拟雷达参数为：中心频率f0=24.24ghz,调频率γ=33.357×1011hz/s,带宽b=133.5mhz,脉冲宽度tp=40μs.四个点目标作正方形放置，间隔50米，左下角的点作为参考点.雷达与目标间隔1公里，观察角δθ=3.15，数据长度为128×128.采用fft成像方法时，其纵向和横向距离分辨率为ρr=ρa=1.123米，防止mtrc现象发生所需的目标最大范围为［4］：纵向尺寸dr＜4ρ2r/λ=40米，横向尺寸da＜4ρ2a/λ=40米.采用常规超分辨方法时，目标尺寸dr=da＞10米则出现明显的性能下降.图2、图3分别给出了relax方法及本文推广的relax(extended relax)算法的成像结果.可以看出，由于目标远离参考中心，已在横向和纵向出现距离走动，采用常规超分辨的relax算法产生图像模糊，对于本文算法，则得到基本正确的成像结果.图4和图5则比较了relax算法和推广的relax算法的散射点强度估计结果，可以看到，relax算法由于距离走动影响，散射点（除参考点以外）的强度降低.对于本文算法，散射点强度接近真实值. 图2 距离走动误差下的relax成像结果图3 距离走动误差下的图4 relax方法估计的信号强度推广relax成像结果图5 推广relax方法估计的信号强度五、结束语现有的雷达成像超分辨算法是基于目标回波信号的二维正弦信号模型，所以仅适用于目标位于参考点附近很小区域时的情形.当目标远离参考点时，模型误差，特别是距离走动误差，将使算法性能严重下降或失效.为此，本文提出一种基于雷达成像近似二维模型的超分辨算法,从而扩大了超分辨算法的适用范围.本文进一步的工作包括sar实测数据成像及isar机动目标成像，结果将另文报道. 附录：参数估计的c-r界下面我们给出式(5)所示的二维信号参量估计的c-r界表达式.同时假设式(5)中加性噪声为零均值高斯色噪声，其协方差矩阵未知.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)为矩阵x的列向量.我们将式(5)改写为如下向量形式： (a.4) 式中表示kronecker积,ω=［{［p1bn( 1)］ am(ω1)}⊙d1…{［pkbn( k)］ am(ωk)}⊙dk］,α=(α1，α2，…，αk)t. 令q=e(eeh)为e的协方差矩阵，则对于由式(a.4)所示的二维信号模型，其fisher信息阵(fim)的第ij个元素推广的slepian-bangs公式为［5,6］: (fim)ij=tr(q-1q′iq-1q′j)+2re［(αhωh)′iq-1(ωα)′j］ (a.5) 式中x′i表示矩阵x对第i个参数求导，tr(x)为矩阵的迹，re(x)为矩阵的实部.由于q与ωα中的参量无关，而ωα亦与q的元素无关，显然fim为一块对角阵.所以待估计参量的c-r界矩阵由(a.5)式的第二项得到. 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) 式中矩阵dω、d 、dμ、dv的第k列分别为：［{［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}.则关于参量向量η的crb矩阵为 crb(η)=［2re(fhq-1f)］-1 (a.8)