搜索资源列表
k_algorithm
- kmeans c++实现，主要用欧氏算法，计算距离-kemans c++
cz
- AE反距离IDW、克里金Krige插值.txt I显示方法.c www.pudn.com.txt 三对角线追赶法.C 三样条插值函数算法，还包括其他的比如hermite等算法，很全.txt 二分法.c 分段线性插值.c 列主元元素消元.C 利用反距离平方加权插值算法建立规则格网在大数据量离散点数据的情况下，.txt 反距离加权插值，貌似不好用IDWUtil.java 埃特肯.c 复合梯形法.c 复合辛普森.c 弦割法.c 操作复数的类Com
fenxing
- 分维，又称分形维或分数维，作为分形的定量表征和基本参数，是分形理论的又一重要原则。长期以来人们习惯于将点定义为零维，直线为一维，平面为二维，空间为三维，爱因斯坦在相对论中引入时间维，就形成四维时空。对某一问题给予多方面的考虑，可建立高维空间，但都是整数维。在数学上，把欧氏空间的几何对象连续地拉伸、压缩、扭曲，维数也不变，这就是拓扑维数。然而，这种传统的维数观受到了挑战。曼德布罗特曾描述过一个绳球的维数：从很远的距离观察这个绳球，可看作一点(零维)；从较近的距离观察，它充满了一个球形空间(三维)；
nenggei
- 基于欧几里得距离的聚类分析，详细画出了时域和频域的相关图，包括邓氏关联度、绝对关联度、斜率关联度、改进绝对关联度。- Clustering analysis based on Euclidean distance, Correlation diagram shown in detail the time domain and frequency domain, Including Deng s correlation, absolute correlation, correlation of s
fingliu
- 用于时频分析算法，基于欧几里得距离的聚类分析，包括邓氏关联度、绝对关联度、斜率关联度、改进绝对关联度。- For time-frequency analysis algorithm, Clustering analysis based on Euclidean distance, Including Deng s correlation, absolute correlation, correlation of slope, improved absolute correlation.
banqiu
- 基于欧几里得距离的聚类分析，Relief计算分类权重，包括邓氏关联度、绝对关联度、斜率关联度、改进绝对关联度。- Clustering analysis based on Euclidean distance, Relief computing classification weight, Including Deng s correlation, absolute correlation, correlation of slope, improved absolute correlation.
fuhqp
- 利用matlab针对图像进行马氏距离计算 ,是小学期课程设计的题目，基于欧几里得距离的聚类分析。- Using matlab to calculate the Mahalanobis distance for the image, Is the topic of the elementary school stage curriculum design, Clustering analysis based on Euclidean distance.
KNN
- K最邻近密度估计技术是一种分类方法，不是聚类方法。 不是最优方法，实践中比较流行。 通俗但不一定易懂的规则是： 1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。 2.选出最小的前K数据个距离，这里用到选择排序法。 3.对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。(K nearest neighbor density estimation is a classification method, not a clustering metho
knn1
- K最邻近密度估计技术是一种分类方法，不是聚类方法。 不是最优方法，实践中比较流行。 通俗但不一定易懂的规则是： 1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。 2.选出最小的前K数据个距离，这里用到选择排序法。 3.对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。(K nearest neighbor density estimation is a classification method, not a clustering metho