0056764

频繁项集挖掘算法，能在大量局部特征中发现频繁空间配置，这些空间配置可以作为词语，加入到特征包中进行分类，实现图像分类。

Matrix QR decomposition of digital analysis of the more difficult procedures, it is worth a look

GWR能够实现地理加权回归计算，里面有GWR4操作说明，虽然是英文，但有图片介绍，很容易理解，是GWR模型入门的好工具，适合经济学、数据挖掘等人员使用(GWR can realize geographically weighted regression calculation, including GWR4 operation instructions. Although it is in English, it has pictures to introduce, and is easy to understand. It is a good tool for GWR model entry. It is suitable for personnel such as economics and data mining.)

三维风场模拟.利用Kaimal spectrum结合FFT进行风场模拟，生成风速时程得进行必要参数的定义。(3D Turbulent Wind Generation。 Generation of three-dimensional turbulent wind fields, by employing a Kaimal spectrum and IEC-based coherence function. )

说明：  实现了无监督AP聚类 其优势在于不用知道聚类个数(The advantage of unsupervised AP clustering is that the number of clusters is not known)

主要内容为R语言环境下的社交网络数据挖掘，附有源代码和数据，并包含案例所使用的PPT和相关文献。(The main content is under R locales social network data mining, with the source code and data, and includes cases PPT and related documentation used.)

半监督迁移SSTCA算法实现,matlab代码。包括拉普拉斯图矩阵(Semisupervised Domain Adaptation via Transfer Component Analysis)

说明：  数据挖掘中的binning算法，用于数据预处理(Binning algorithm in data mining for data preprocessing)

说明：  一种信号的处理方法，用于非平稳的信号处理(A signal processing method for nonstationary signal processing)

kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。(Basic source application)