搜索资源列表
fastica
- 快速ICA算法(Fast ICA)，该算法是基于定点递推算法得到的，它对任何类型的数据都适用，同时它的存在对运用ICA分析高维的数据成为可能。-Fast ICA algorithm (Fast ICA), the algorithm is based on fixed-point recursive algorithm, and it is applicable to any type of data, and its presence on the use of high-dimensiona
Neural-Network-
- 基于神经网络的高维空间曲线拟合算法,实现了四维到三维的数据拟合-High dimensional space curve fitting algorithm based on neural network, which can achieve the data fitting
OSDL_Package
- 高维字典学习，可以处理高维信号或者是大型数据集，训练速度快-high dimension dictionary learning
KMeansStandalone
- 用于对数据进行聚类，可以自动确定聚类的个数，可以处理高维的数据量。-Used to cluster data, you can automatically determine the number of clusters, you can deal with high dimensional data.
Random-Matrix-
- 电网暂态分析是保证电网稳定运行的重要手段。随着电网广域测量系统(wide-area management system， WAMS)的发展，电网形成了具有时空特性的高维海量运行数据。传统的电网暂态分析采用物理模型，用严格的数学公式关联维度之间数据，这种模型不能充分利用海量电网运行数据，造成资源浪费。从数据驱动的角度，首先分析 WAMS 数据的应用情况，考虑电网运行数据特点建立数据模型。然后利用随机矩阵理论(random matrix theory， RMT) 建立平均谱半径(mean spect
matlab-KICA
- kica-故障监测 通过对自回归模型中测量矩阵引入时滞参数得到一个适用于动态系统的增广矩阵；然后，选择核函数，计算核矩阵，将增广矩阵映射到高维空间进行白化；最后，利用改进的快速ICA方法提取出独立成分实现对新的测试数据进行在线监测-kica-Fault monitoring
Kpca
- 核主元分析法，将低维数据，映射到高维空间，进行更精确的非线性划分。-Kernel principal component analysis, the low-dimensional data, mapping to high-dimensional space for more accurate non-linear division.
two
- ：植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而，低维特征不能全面描述叶片信息，识别准确率低，本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理，获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征，对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征，对纹理图像提取分形维数，共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相
Ordered-neighborhood-rough-set
- 利用基于排序的邻域粗糙集算法对具有高维属性的元数据进行属性约简，删减多余的无关属性，避免模型的过拟合，提高模型预测精度和模型运算速度-The algorithm based on the ordered neighborhood rough set is used to reduce the attributes of the high dimension attributes, to eliminate the redundant irrelevant attributes, to avoid
3
- 聚类金字塔树-一种新的高维空间数据索引方法 提出了一种新的有效的高维空间数据索引方法 聚类金字塔树.它先对不均匀分布数据进行聚类 处理,然后对聚类的结果实施金字塔分割和存储,由此建立一种有效的索引结构.文中给出了聚类金字塔树的几种查询算法.实验证明:处理不均匀分布数据时,聚 类金字塔树无论在页面访问次数,还是在CPU总占用时间上都优于金字塔树. -Pyramid Tree Cluster- A new high-dimensional data indexing method p
PCA
- PCA算法：通过将高维矩阵降维来压缩文件或是查询数据-PCA algorithm: by reducing the dimension of the high-dimensional matrix to compress the file or query data
matlab 蚁群算法ACO_feature_selection
- 蚁群算法用与特征选择，针对传统蚁群聚类算法收敛速度过慢的问题，提出一种对蚁群算法进行改进的聚类算法。而数据的高维使数据具有稀疏、不可聚集等特性，使聚类算法实验效果精度低和耗时大，将邻域特征选择与聚类算法结合，提出了一种蚁群聚类优化的邻域特征选择算法(Ant colony algorithm and feature selection)
code
- ssmfa将高光谱数据从高维观测空间投影到低维流形空间，达到约减数据维数的目的(ssmfa hyperspectral data is projected from the high dimensional observation space into the low dimensional manifold space, so as to reduce the dimensionality of data)
kPCA_v3.1 (1)
- KPCA用于数据特征的降维，先通过核方法，将样本映射到高维空间，再进行主成分分析过程。(KPCA is used to reduce the dimension of data, first through the kernel method, the sample is mapped to high-dimensional space, and then the principal component analysis process.)
05 竞争神经网络与SOM神经网络
- 自组织神经网络概念和原理，并重点介绍一下自组织特征映射SOM网络。SOM和现在流行的ANN（MLP）模型在结构上类似，都由非常简单的神经元结构组成，但是SOM是一类“无监督学习”模型，一般的用法是将高维的input数据在低维的空间表示[1]，因此SOM天然是一种降维方法。除了降维，SOM还可以用于数据可视化，以及聚类等应用中。(The concept and principle of self-organizing neural network are introduced, and the s
EWKM
- 针对于高维稀疏的子空间数据，并进行了加权熵处理(Aiming at the high-dimensional sparse subspace data, weighted entropy processing is carried out.)
lrr
- 能够对高维的数据进行低秩约束，形成低秩的系数对原来的数据进行低秩表示(Low rank constraints can be used for high-dimensional data to form low rank coefficients for low rank representation of the original data.)
张量分解针对高维稀疏数据处理阐述.docx
- 张量分解 技术研究的情况。送 if 为哦我吃呢次哦嗯哦此外呢次哦那位哦刺猬(Tenor Decomposition The study of tensor decomposition technology. If, oh, I'll eat it. Oh, uh oh, besides, oh, oh, hedgehog.)
KELM
- 可用作数据的拟合和分类。核极限学习机采用了核函数，将数据投射到高维空间分类(It can be used for data fitting and classification. Kernel extreme learning machine uses kernel function to project data onto high-dimensional space.)
dace(1)
- 基于计算机实验数据建立一个克里金近似模型，并将其用作计算机模型的代理模型。这里，计算机实验是指通过运行计算机模型获得的若干组输入和响应数据。而计算机模型的这些输入或响应数据都有可能是高维的。(The typical use of this software is to construct a kriging approximation model based on data from a computer experiment, and to use this approximation mo