利用python设计一种基于模式挖掘的算法，要求挖掘出Cifar10数据集某一类中具有频繁性又有判别性的图片。

基于模式挖掘的算法可以使用Apriori算法，它是一种常用的频繁项集挖掘算法。在这个问题中，我们需要通过分析Cifar10数据集中某一类的图片，找出具有频繁性又有判别性的图片。

首先，我们需要对Cifar10数据集进行预处理，将其转换为可处理的格式。可以使用Python库中的`keras.datasets.cifar10`来加载数据集。然后，我们需要将数据集中的每张图片转换为特征向量，可以使用卷积神经网络（CNN）提取图片的特征。这里我们可以使用Keras框架来实现。

接下来，我们可以使用Apriori算法来挖掘频繁项集。我们需要将图片特征向量转换为项集，每个项代表一个特征。然后，我们可以使用Apriori算法来查找频繁项集。在这里，我们可以使用Python库`apyori`来实现Apriori算法。

最后，我们需要使用分类器来判断哪些频繁项集是具有判别性的图片。这里，我们可以使用支持向量机（SVM）分类器来进行分类。

下面是一个可能的实现：

from keras.datasets import cifar10
from keras.models import Sequential
from keras.layers import Dense, Conv2D, MaxPooling2D, Flatten
from sklearn.svm import SVC
from apyori import apriori

# 加载数据集
(X_train, y_train), (X_test, y_test) = cifar10.load_data()

# 将图片转换为特征向量
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_test, y_test))
features = model.predict(X_train)

# 将特征向量转换为项集
transactions = []
for feature in features:
    transaction = []
    for i in range(len(feature)):
        if feature[i] > 0.5:  # 如果特征值大于0.5，则将其加入项集
            transaction.append(str(i))
    transactions.append(transaction)

# 使用Apriori算法查找频繁项集
min_support = 0.1  # 最小支持度
min_confidence = 0.5  # 最小置信度
rules = apriori(transactions, min_support=min_support, min_confidence=min_confidence)

# 使用SVM分类器进行分类
X = []
y = []
for i in range(len(transactions)):
    if y_train[i] == 0:  # 我们假设要挖掘的是Cifar10数据集中的第一类
        X.append(transactions[i])
        y.append(1)
    else:
        X.append(transactions[i])
        y.append(0)
clf = SVC(kernel='linear')
clf.fit(X, y)

# 找出具有判别性的频繁项集
discriminative_items = []
for rule in rules:
    item = list(rule.items)[0]
    if clf.predict([item])[0] == 1:  # 如果这个频繁项集被判定为属于第一类，则将其加入结果列表
        discriminative_items.append(item)

print('Discriminative items:')
for item in discriminative_items:
    print(item)

在上面的代码中，我们首先使用卷积神经网络将Cifar10数据集中的图片转换为特征向量。然后，我们将每个特征转换为一个项，形成项集。接着，我们使用Apriori算法查找频繁项集，并使用SVM分类器进行分类。最后，我们找出具有判别性的频繁项集。