多尺度数据挖掘

多尺度理论已应用于数据挖掘领域，但多尺度数据挖掘研究尚不充分，缺乏普适性理论与方法。针对这一问题，研究了普适的多尺度数据挖掘理论，并提出了尺度上推关联规则挖掘算法SU-ARMA。首先基于概念分层理论划分数据尺度，定义数据尺度；接着阐明了多尺度数据挖掘的实质和研究核心；最后在多尺度数据理论基础上，利用采样理论和Jaccard相似性系数对频繁项集进行处理，实现了多尺度数据间知识的向上推导。实验结果显示，该算法在人造数据集和H省全员人口真实数据集上具有高覆盖率和精确度，支持度估计误差较低。

多尺度函数的 MATLAB 脚本shujiao5.m，对搞图像或者信号的同学来说，真是个不错的入门资源。结构清晰，注释也比较友好，运行起来效果一目了然，适合你想快速上手多尺度变换的概念和实践。

这份程序主要涵盖了Matlab中单尺度和多尺度Retinex算法的实现，所有代码均配有详细注释。

多粒度封锁（续）例：三级粒度树。根结点为数据库，数据库的子结点为关系，关系的子结点为元组。数据库关系Rn关系R1元组元组……

多粒度封锁协议允许对树结构中的每个节点进行独立加锁。对某一节点加锁将影响其所有子节点，这种封锁方式包括显式和隐式两种类型。

此MATLAB代码实现了多尺度表示融合网络（MRFN），用于IEEE信号处理快报上发表的智能故障诊断论文。运行环境为Windows 7和Matlab R2014b。源数据来自凯斯西储大学（CWRU）的机械故障预防技术（MFPT）数据集。我们提供了CWRU数据集的Matlab文件“Sample_multi_array.mat”，您可以从百度Netdisk免费下载。如需使用代码，请参考以下步骤。如果您有任何问题，请联系Hui Yu或作者。

多标签数据挖掘的研究综述，讲得还挺系统的，适合你想快速了解这个方向的原理和常用方法时翻一翻。多标签数据挖掘的核心问题，是一个样本不止属于一个标签，比如图像既是‘风景’，也是‘日落’，起来就不能再用老一套单标签思路。传统分类方法这时候就有点吃力了。文章从建模方法和评估指标两个维度讲得挺细，像是分类器链、标签嵌入这些思路，都有实际案例。嗯，看完你基本就能知道怎么选方法、怎么评估好坏。应用场景也蛮丰富，比如图像语义标注、音乐情绪分类、微博情感等等。你要是做跟推荐系统或多维标签数据相关的东西，这类技术挺对口。另外文末提到一些挑战点，比如标签不平衡、标签间相关性啥的，这些在实战里确实容易踩坑。建议一边看

多尺度一维分解命令：wavedec格式：[C, L]=wavedec(X,N,’wname’)[C, L]=wavedec(X,N,Lo_D,Hi_D)

介绍了数据挖掘的C++实现，包括k-means、CURE和DBSCAN算法，分别应用于小麦种子、股票数据和糖尿病患者数据集。另外还提到了其他两种算法，代码存放在cplus文件中，但未用于数据分析。实验报告结合weka进行了数据预处理，还包含可执行文件和预处理后的数据。

月度综合数据构成 时间粒度: 最近3个月: 保留详细数据 3个月前: 仅保留汇总数据 空间粒度: 其它空间使用 双重粒度的呼叫信息 呼叫信息数据字段 (双粒度) 维度: 呼叫类型 IMSI号 主叫号码 被叫号码 通话开始时间 通话时长 通话位置 漫游类型 指标: 基本通话费 基本通话附加费 长途费 长度附加费 客户呼叫信息表字段 维度: 呼叫类型 IMSI号 主叫号码 被叫号码 通话开始时间 通话时长 通话位置 漫游类型 指标: 基本通话费 基本通话附加费 长途费 长度附加费