搜索资源列表
prefixspan的源代码c++
- 序列模式挖掘prefixspan算法源代码。License: GPL2 (Gnu General Public License Version 2) Requirements: C++ compiler with STL (Standard Template Library).-sequence Mining prefixspan algorithm source code. License : GPL (Gnu General Public License Version 2) Re
lw6
- 本人上传的是FP-GROWTH算法的数据挖掘中的关联规则与序列模式-I upload the FP-GROWTH algorithm Data Mining Association Rules and sequence mode
FPGROWTH
- 基于改进FP-Tree的序列模式挖掘算法，已经调试通过
ch4
- 时间序列模式挖掘，有GSP,PrefixSpan等算法。-Time series pattern mining, there are GSP, PrefixSpan algorithm.
plwap
- 数据流闭序列模式挖掘算法,2010年最新的PLWAP算法-data stream closed frequent sequential
SFAM
- 实现遗传算法对于SFAM网络输入模式的序列优化-The realization of genetic algorithm for the SFAM network optimization serial input mode
svm
- 支持向量机(SVM)是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科-Support vector machine
svm_v0.55
- 支持向量机分类，可用于人工智能，模式识别，数据挖掘，时间序列预测-Data aggregation processing
PrefixSpan
- 列模式挖掘的PrefixSpan算法，用于对序列模式的挖掘-PrefixSpan out pattern mining algorithm
finance
- 针对金融时间序列分析中注重快速作出趋势判断的特点,利用数据挖掘的思想和工具,提出 一种金融时间序列模式快速发现算法. 与传统的预测算法相比较,该算法对数据的分布和平稳性等 方面的要求不高,不基于任何假设,能够非常快速地发现时间序列中的频繁模式,经过模式匹配后, 可以用于金融时间序列的分析与预测. 以实际汇率数据为例,证明了该算法的有效性-Financial time series analysis for rapid prediction of trend-oriented feat
lab432
- Matlab动力系统和时间序列分析工具箱:这个工具箱用来分析动力系统和时间序列，它可以定制为：常微分方程、随机微分方程。所有分析的方法被封装在工具箱中，你可以通过命令行或GUI来调用。包含的功能： ODE常微分方程, SDE随机微分方程和map integration 分析时间序列，过滤、归一化/均衡化、直方图、2D直方图、ACF, MAI, FFT,最大lyapunov指数计算、模式识别。 动力系统分析：创建Poincare截面、分岔图、计算lyapunov指数。-The kit us
Apriori--Algorithm
- 一种基于Apriori原理的算法的实现，它是序列模式挖掘中的经典算法-Apriori algorithm based on the realization of the principle, which is the classic sequential pattern mining algorithm
py_gapbide
- python实现的BIDE算法，应用于序列模式的挖掘-the algorithm is applied by python,it is applied to the sequential pattern mining
prefixspan-0.4-ngram
- 数据挖掘算法，用于挖掘频繁序列模式，包含完整的使用说明文档-Data mining algorithm for mining frequent sequential patterns, including the complete user documentation
prefixspan
- 序列模式挖掘算法PrefixSpan，主要用于挖掘频繁的访问序列-Sequential pattern mining algorithms PrefixSpan, mainly for mining frequent access sequences
RBF遗传优化
- RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。(RBF network can approximate any nonlinear function, regularity can handle within the system to parse, has good generalization ability and
862111
- 金融时间序列中,最大命中子模式树算法,我导师编写的程序,希望给大家帮助()
962569
- 通过已知的先验概率,在输入训练序列之后,可以对数值进行判别是属于哪一类的数据,简单可以应用于模式识别()
Untitled2
- k—means函数，RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。(k-means function, RBF network can approximate any non-linear function, can deal with difficult-to-resolve regularity in the sys
Geolife Data 1.3
- Geolife GPS 轨迹数据集–用户指南 这一 GPS 轨迹数据集是在 (微软研究亚洲) Geolife 项目中收集的, 178 用户在四年 (2007年4月至 2011年10月) 期间。该数据集的 GPS 轨迹由一个时间戳点序列表示, 每一个都包含纬度、经度和高度信息。该数据集包含17621个轨迹, 总距离为1251654公里, 总持续时间为48203小时。该轨迹数据集可以应用于移动模式挖掘、用户活动识别、基于位置的社交网络、位置隐私和位置推荐等多个研究领域。(Geolife GPS t