搜索资源列表
NJW
- 聚类分群方法，使用此程序处理数据可以避免高维数据的奇异性问题，然后使用配套的kmeans方法进行处理-Cluster grouping method to process data using this program to avoid the singularity problem of high-dimensional data, and then use the matching method for processing kmeans
calcrange
- 该源码为特征选择 从高维数据降低到低维数据-The source code for the feature selection to reduce the high-dimensional data low-dimensional data
sbmlr
- 本代码为特征提取代码，是从高维数据到低维数据-The source code for the feature selection to reduce the high-dimensional data low-dimensional data
SVM_CV_estimate
- 功能为特征提取，即它是从高维数据到低维数据-The source code for the feature selection to reduce the high-dimensional data low-dimensional data
wekaCategoricalData
- 从高维数据降低到低维数据，特征提取的功能-The source code for the feature selection to reduce the high-dimensional data low-dimensional data
writeXLS
- 功能是从高维数据降低到低维数据，特征选择的过程-The source code for the feature selection to reduce the high-dimensional data low-dimensional data
lle
- 利用流形学习算法对高维数据进行降维，得到高维数据的低维流形-Use manifold learning algorithms for high dimensional data dimensionality reduction, to obtain a low dimensional manifold in high-dimensional data
PCA
- 主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量
PCA
- PCA算法，高维数据向低维投影。本源码采用直接向最大特征值的两个principle components投影，结果为二维。-PCA algorithm
Rtree
- R树索引，可以为高维数据建立类似Btree的索引，大大加快查找速度-R-tree indexes, you can create similar Btree indexes for high-dimensional data, greatly accelerate the search speed
nnet
- nnet回归方法的matlab源代码,可用于高维数据的回归，里面含有全面的代码-nnet calibration code for matlab
Subspace-clustering
- 过去的几年见证了一个explo比如来源和形式。例如,数以百万计的摄像机被安装在建筑物、街道、机场、城市和世界各地。这造成了巨大的进步如何获取、压缩、存储、传输和处理大量复杂的高维数据。-he past few years have witnessed an explo- ple sources and modalities. For example,millions of cameras have been installed in buildings, streets, airports, a
CodeGPCAPDASpectral
- 广义主成分聚类，用于高维数据降维聚类分析，比主成分分析更好一点-Generalized principal component clustering analysis is used to reduce the dimension of high-dimensional data, which is better than the principal component analysis.
xsdjz
- 对于高维数据，进行Ncut谱聚类计算，算法主要为kmeans-For high-dimensional data sets Ncut spectral clustering, the algorithm used mainly for kmeans,
SSC
- 稀疏子空间聚类（SSC）算法，对一组高维数据分类，得到正确的分类结果-SSC Algorithm
2005-Kernel-RX-AlgorithmA
- 非线性核RX算法(KRX算法)来完成异常目标检测，不仅有效地利用了高光谱图像波段间的高阶统计特性和非线性信息，而且避免了对高维数据的特征提取，从而降低了算法的复杂度．-Nonlinear nuclear RX algorithm (KRX algorithm) to complete anomaly detection, not only the effective use of higher-order statistical characteristics of hyperspectral
drtoolbox1
- isomap-数据降维算法，用于将高维数据降低维数-Data dimensionality reduction algorithm for high-dimensional data reduced dimensionality
fuzzy-c-means-clustering
- 用于高维数据或者多维图像的模糊C均值聚类算法-Used for army fuzzy c-means clustering high-dimensional data
LEM-Algorithm
- LEM（拉普拉斯特征映射）算法，拉普拉斯特征映射是基于局部邻域，保持局部结构的流形学习方法。LEM通过一个无向加权图刻画流形上数据点间的近邻关系，图的顶点为原始数据点，图的边对应点之间的近邻关系，边的权值对应近邻点之间的相似程度（也可以是某种距离），LEM在低维嵌入空间中尽量保持图中数据点之间的近邻关系，然后求取嵌入坐标。通俗的说，LEM认为在高维数据空间离得近的点在低维嵌入空间也应该离得近-LEM (Laplace feature mapping) algorithm, Laplace fea
PCA
- PCA（Principal Component Analysis）不仅仅是对高维数据进行降维，更重要的是经过降维去除了噪声，发现了数据中的模式。 PCA把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。-PCA (Principal Component Analysis) is not just for high-dimensional data dimensiona