搜索资源列表
7
- 本文提出一种基于核方法的下视等分辨率景象匹配算法. 通过模拟电荷吸引模型, 提出了计算不等维高维数据相似度的SNN 核函数. 将图像中的特征点映射到径向基向量(Radial basis vector, RBV) 空间, 利用SNN 核函数计算两个特征点集的相似度及过渡矩阵. 利用置换测试模块来增强SNN 核的稳定性, 以确保输出解的可靠性. 实验证明, 基于SNN 核的景象匹配算法对图象畸变、噪声干扰与信号缺失具有很强的鲁棒性, 并可保证高精度与高实时性. -This paper prese
LAC
- 利用LAC算法实现高维数据聚类，算法完整-LAC algorithm using high-dimensional data clustering, the algorithm complete
Classification-toolbox
- 通过降维处理，高维数据的分类一般可以转换为2维数据分类。此源码包含一个2维-2类数据分类工具箱。包括：ML，K-NN，SVM，LS，DB-Through the dimension reduction processing, high dimensional data classification commonly can convert to 2 d data classification. This source includes a 2 d-two kinds of data classi
ptlx
- 流形学习的主要目标是发现嵌入在高维数据空间的低维光滑流形1 近年来基于谱图理论的学 习算法受到研究者的广泛关注1 介绍了流形与流形学习的关系,着重研究了几种有代表性的基于谱图 理论的流形学习算法,并对算法进行了比较分析,最后进行总结和对进一步的研究做了展望1-The main objective of manifold learning is to find embedded in high-dimensional data space of a low-dimensional smo
liuxinggaishu
- :流形学习是一种新的非监督学习方法,近年来引起越来越多机器学习和认知科学工作者的重视. 为了加深 对流形学习的认识和理解,该文由流形学习的拓扑学概念入手,追溯它的发展过程. 在明确流形学习的不同表示方 法后,针对几种主要的流形算法,分析它们各自的优势和不足,然后分别引用Isomap 和LL E 的应用示例. 结果表明, 流形学习较之于传统的线性降维方法,能够有效地发现非线性高维数据的本质维数,利于进行维数约简和数据分 析. 最后对流形学习未来的研究方向做出展望,以期进一步拓展流形
Comparion
- 这是一篇关于高维数据处理的文章，主要介绍了针对高维数据的处理。-This is a high-dimensional data processing on the article, which mainly describes the processing for high-dimensional data.
lle_and_pca
- 实现lle和pca的matlab编程，主要目的是比较lle和pca这两个高维数据降维方法的性能，各有所长。-Use matlab to realise lle and pca ，the purpose is to compare lle and pca，which reduce high dimension data to low data dimension，and each has advantage！
KPCA
- 将核思想运用到主成分分析中，使其映射到高维空间，而计算主成分的目的是将高维数据投影到较低维空间。-Kernel Principal Component Analysis
IHDRmatlab
- IHDR是一种具有组织性的高维数据分类及回归方法，目前在自主发育研究中得到应用。-IHDR is an organization of high dimensional data classification and regression methods, and independent study of the development of applications.
manifold-learning.lle
- 流形学习是一种新的无监督机器学习方法，局部线形嵌入（Locally Linear Embedding，LLE）发现嵌入在高维数据中的低维流形，流形学习算法,MATLAB程序-manifold learning
psocluster
- 改进的微粒群算法来聚类高维数据，重点解决了变量加权问题，聚类质量较高。-Improved particle swarm algorithm to cluster high dimensional data, focused on solving the problem of variable weighting and clustering of high quality
AKNN-
- 一种基于主存-tree的高维数据KNN连接算法-Abroad a tree that the information is not translated literature in the form as a graduation design translation literature as to
The-X-tree--
- 一个对高维数据的索引结构 此为研究树形结构的国外文献 以供各位参考-One for reference for the study of foreign literature of the tree structure of the index structure of high dimensional data
pingxingzuobiao
- 基于平行坐标的可视化交互分类，随着数据挖掘的发展，可视化数据挖掘逐渐兴起，该文章描述了基于平行坐标的高维数据可视化-Interactive classification based on parallel coordinates visualization, with the development of data mining, visualization, data mining gradually on the rise, the article describes the high-di
jiangwei
- 在科学研究中，我们经常遇到对大量高维数据进行处理的问题，本文是对数据降维算法的简要总结。-In scientific research, we often encounter the problem of handling a large number of high-dimensional data, the article is a brief summary of the data dimensionality reduction algorithm.
prtree-1.5.tar
- 新型多维空间索引结构PR-tree,并且在这种新型的索引结构下进行了高维数据的查询操作.这种新型的空间索引结构有两个主要的特点:对需要查询的数据空间进行层次划分 并且对结点的插入、删除等操作具有高度的灵活性-PRTree is a Priority R-Tree, a spatial index. For some background read this: http://www.cs.umd.edu/class/spring2005/cmsc828s/slides/prtree.pdf
pca
- PCA算法的实现,主要用于高维数据处理，将其映射到低维空间中进行处理-the implementation of PCA algorithm
FastMapPlot
- 实现FASTICA算法，可以将高维数据映射到二维坐标上！-Achieve FASTICA algorithm can be high-dimensional data is mapped to the two-dimensional coordinate!
Desktop
- 改进型的mds,实现对高维数据的降维处理，提升了数据挖掘的性能。-Improved mds, dimensionality reduction of high-dimensional data processing, to enhance the performance of data mining.
FisherFace
- Fisherface方法的实现是在PCA数据重构的基础上完成的，首先利用PCA将高维数据投影到低维特征脸子空间，然后再在这个低维特征脸子空间上用LDA特征提取方法得到Fisherface。程序中使用参数寻优的方法来寻找最佳投影维数，以达到比较理想的识别效果。-The Fisherface method implemented in the PCA data reconstruction based on the completion of the first use of PCA project