搜索资源列表
循环与数组综合一
- 求出在最上面的棍子的条数，用空间向量计算两个端点的乘积，确定计数器(Find out the number of sticks at the top of the stick)
Matlab-libsvm-3.20
- SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine，简称SVM)。支持向量机的提出有很深的理论背景。 支持向量机方法是在后来提出的
music
- MUSIC 算法MATLAB仿真源代码 clc clear all format long %将数据显示为长整型科学计数 N=200;%快拍数 doa=[20 60]/180*pi; %信号到达角 w=[pi/4 pi/3]';%信号频率 M=10;%阵元数 P=length(w); %信号个数 lambda=150;%波长 d=lambda/2;%阵元间距 snr=20;%信噪比 B=zeros(P,M); %创建一个P行M列的0矩阵 for k=1:P B
混沌预测工具箱
- 包括c-c相空间重构及改进算法，CAO方法相空间重构，RBF神经网络及支持向量机预测等
matlab表情识别
- Matlab表情识别，特征脸[1 ]作为面部表情分类的方法。首先，利用训练图像创建低维人脸空间（pca）。这是通过训练图像集主成分分析（PCA）及图片主成分分析（即具有较大特征值的特征向量）获得的。 结果，所有的测试图像以所选择的主成分表示，计算投影图像与所有投影列车图像的欧几里得距离，选择最小值以找出与试验图像最相似的训练图像。(The feature face [1] is used as a facial expression classification method. Firstly,
csp
- 共空间模式（CSP）是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。
csp
- 共空间模式（CSP）是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。公共空间模式算法的基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。
主成分分析
- 主成分分析PCA源码分析，使用matlab编程，是一种降维方法，通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。
多重分类算法
- 基于矩阵特征空间分解的方法。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值（噪声方差）对应的特征向量组成。
MUSIC算法程序源代码
- 多重信号分类MUSIC算法是一种基于矩阵特征空间分解的方法。从几何角度讲，信号处理的观测空间可以分解为信号子空间和噪声子空间，两个空间是正交的。信号子空间由阵列接收到的数据协方差矩阵中与信号对应的特征向量组成，噪声子空间则由协方差矩阵中所有最小特征值(噪声方差)对应的特征向量组成。
c+=
- k-means c++, 聚类算法-含代码说明。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。(k-means c++,Partitioning Methods,Hierarchical Methods,density-based methods,grid-based methods,Model-Based Methods)
Turbsim
- 全场随机风模拟机。它使用统计模型（如与基于物理的模型相反）来数值模拟三分量风速的时间序列在空间中固定的二维垂直矩形网格点上的向量。(TurbSim is a stochastic, full-field, turbulent-wind simulator. It uses a statistical model (as opposed to a physics-based model) to numerically simulate time series of three-component