迄今为止，关于犯罪预测的研究还很少。 在这项研究中，根据个人标签数据以及城市S中罪犯和普通百姓的旅行和住宿数据，将与城市S有关的犯罪数据分为1：1的训练数据集和验证数据集。首先，采用FP-增长算法来计算犯罪分子和普通民众在其旅行和旅馆住宿数据中的关联规则，以便根据关联规则发现犯罪嫌疑人。 其次，采用DBSCAN算法对罪犯和普通人的标签数据进行聚类，然后进行相似度计算，以基于标签聚类发现犯罪嫌疑人。 最后，对上述两组犯罪嫌疑人进行交叉路口操作，并根据犯罪验证集对产生的交叉路口进行验证，以消除出现在交叉路口的犯罪分子，从而获得最终的犯罪嫌疑人。 结果表明，根据FP增长算法计算的关联规则，检索到648名犯罪嫌疑人，而根据DBSCAN聚类和个人标签的余弦相似度，检索到973名犯罪嫌疑人。 两组相交后，犯罪嫌疑人的数量缩小到567名，使用验证集进一步验证了567名犯罪嫌疑人中的419名是罪犯，从而使其他148名成为最终犯罪嫌疑人并给出了预测准确性为73.9％。 本研究基于关联规则和标签聚类的犯罪嫌疑人数据挖掘方法已成功应用于城市S的警务系统，实验证明了该方法在侦查犯罪嫌疑人中的有效性。

FP增长算法实验报告

针对传统度量相似性方法中忽略项目多属性类别差异的问题，提出一种改进项目多属性类别划分的推荐算法。首先构建项目—用户隶属矩阵挖掘用户间的隶属关系，并创建相似邻居FP-Tree以提取最近邻居集；然后分析用户间共同项目相似性和项目多属性类别划分的差异性，通过权重因子将共同项目和多属性类别融合，构建CNB度量模型度量邻居相似程度；最后对所得相似用户进行降序排列，获取更加精准的相似用户，完成推荐工作。结合医药数据集验证该算法的有效性，结果表明其时间复杂度、推荐准确性和平均精度均值均有较好的提升。

FP-growth算法python实现含数据集，FP-growth算法是将数据集存储在一个特定的FP树结构之后挖掘其中的频繁项集，即常在一块出现的元素项的集合FP树。

松下PLC FP系列编程手册 (综合篇)，官网最新版，更新时间：2013年4月10日，由于体积较大，无法一次上传，故分成2卷。

1.基本概念及购物篮分析 2.Apriori算法及FP树（共107页）

简单介绍fp相关的资料

用matlab实现的FP-Growth算法。数据放在mydata中，main执行算法。

松下PLC入门到精通全套视频教程（100多集 6G左右） PLC入门基础+各种指令教程+ 步进+伺服+模拟量+温度模块+MODBUS通讯变频器教程视频 文件比较大，下载后是百度网盘下载链接去下载的，无需担心链接会失效，失效了里面也有联系方式可以找我重新发下载的

FpGitHud FP 2021