搜索资源列表
matlab下带有缺测数据的平均与求和
- cmean使用起来与mean一样，可以对高维数组进行统计，其中cmean把数据中的nan完全剔除了，返回的是有值时的平均（如果都是缺测，也是返回nan）。不会向mean那样，如果有缺测，平均值也为缺测 csum与sum类似。 实际观测中常常有意外产生缺测，这两个函数希望对大家有用。
高维数据空间划分树
- 用matlab编写的k-dtree，加快搜索，在点云拼合中应用广泛。-Matlab prepared with k-dtree, to speed up the search, put together in the point cloud in a wide range of applications.
mds.计算多维定标（MDS）的matlab源代码
- 一个计算多维定标（MDS）的matlab源代码，用于高维数据的维数约减,A calculation of multidimensional scaling (MDS) of the matlab source code for the high-dimensional data, dimensionality reduction
kpca081223
- 非线性降维方法KPCA 可以应用于高维数据的机器学习-KPCA nonlinear dimensionality reduction methods can be applied to high-dimensional data, machine learning
lle
- 局部线性嵌入算法的matlab代码,改算法是流形学习中的一个算法，目的是将高维流形空间映射到低维嵌入空间。可用于非线性高维数据的降维-matlab code of Local linear embedding algorithm
PCA
- 主分量分析,用于高维数据降维或提取目标特征。程序精简，效率高. -Principal Component Analysis is used to make data dimensionality reduction or extract target characteristics。
LLE
- 关于高维数据降维的非线性方法ＬＬＥ代码，对学习数据降维有帮助-High dimensional data on the nonlinear dimensionality reduction methods LLE code, data dimensionality reduction in learning help
NeighborPreservEmbedd
- 一种邻域保护嵌入算法，用于高维数据的降维处理-The protection of a neighborhood algorithm for high dimensional data, dimensionality reduction to deal with
Researchontheshapefeatureextractionandrecognition.
- 主分量分析(PCA ) 是统计学中分析数据的一种有效的方法, 可以将数据从高维数据空间变换到低维特征空间, 因而 可以用于数据的特征提取及压缩等方面。在该文的形状识别系统中, 用PCA 法提取图像的形状特征, 能够较好地满足识别 层的输入要求。在识别层研究了3 种识别方法: 最近邻法则、BP 网络及协同神经网络方法, 均取得了满意的实验效果。-Principal component analysis (PCA) is a statistical analysis of data in a
lda
- 非线性降维方法 可以应用于高维数据的机器学习-Nonlinear dimensionality reduction methods can be applied to high-dimensional data, machine learning
llc
- 非线性降维方法llc 可以应用于高维数据的机器学习-Llc nonlinear dimensionality reduction methods can be applied to high-dimensional data, machine learning
lle
- 非线性降维方法lle 可以应用于高维数据的机器学习-Lle nonlinear dimensionality reduction methods can be applied to high-dimensional data, machine learning
work
- 模式识别中的K均值算法，对数据进行归类。程序中，使用了二维数据进行分类。通过修改参数，也可以支持三维或是更高维数的分类。-the K-means algorithm for Pattern Recognition
pavel_1.0.1beta_setup
- Pavel是一个交互式显示和评估高维数据的工具，主要用对多目标进化算法结果的分析。-Pavel (Paretoset Analysis Visualization and Evaluation) is a tool for interactively displaying and evaluating large sets of highdimensional data. Its main intended use is the analysis of result sets from mult
SAX_2006_ver
- 它是一种解决高维数据降维的方法程序，用于符号化表示，在研究时间序列数据挖掘方面具有广泛的应用。-It is a solution of high dimensional data dimensionality reduction methods and procedures used to symbolize that in the study of time series data mining has a wide range of applications.
ipca
- 第二种增量的主成分分析算法，能够增量地获取高维数据的主成分。-《Incremental PCA or On-Line Visual Learning and Recognition》
fastica1
- 自己简化的FASTICA算法，可用于进行高维数据的处理-FASTICA own simplified algorithm can be used for high-dimensional data processing
PCA
- 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上 进行特征提取，每一个主分量都是原始变量的线性组合-Is proposed based on Principal Component Analysis and Measure of blending fast clustering method. Principal component space by constructing a high-dimensional data onto two p
KLFDA
- 基于局部Fisher准则的非线性核Fisher辨别分析，应用于有监督的特征提取与高维数据的有效降维。-Kernel Local Fisher Discriminant Analysis for Supervised Dimensionality Reduction.
jiangwei
- 高维数据特征降维综述，电子书格式，欢迎下载-High-dimensional data feature reduction review, e-book format, please download ~ ~ ~ ~