搜索资源列表
PCA_NN
- PCA（主成分分析）算法被广泛应用于工程和科学研究中，本报告主要从PCA的基本结构和基本原理对其进行研究，常规的PCA算法主要采用线性算法，通过研究论证发现线性的PCA算法存在着许多不足，比如线性PCA算法不能从线性组合中把独立信号成分分离出来，主分量只由数据的二阶统计量—自相关阵确定，这种二阶统计量只能描述平稳的高斯分布等，因此必须对其进行改进，经改进后的PCA算法有非线性PCA算法、鲁棒算法等。我们通过PCA算法在直线（平面）中拟和的例子说明了PCA在工程中的应用。本例子采用的是成分分析中的
4102327
- Java语言是一个简单的、面向对象的、分布的、解释（执行）的、健壮的、安全的、独立于平台的、可移植的、可扩展的、高性能的、多线程的以及动态的程序设计语言。Java是由C++发展而来的，它是一种彻底的纯面向对象的程序设计语言。面向对象的语言四大特点：1.封装 2.继承 3.多态 4.动态。面向对象技术较好地适应了当今软件开发过程中新出现的种种传统面向过程语言所不能处理的问题。面向对象技术的核心是以更接近于人类思维的方式建立计算机逻辑模型，它利用类和对象的机制将数据与其上的操作封装在一起，并通过统
ICA_AND_PCA
- 关于独立分量分析和主成分分析的区别，初学者可以-the difference between independent component analysis and principal component analysis ，beginner can look at it
jaimai_v65
- 用于建立主成分分析模型，到达过程是的泊松过程，用于图像处理的独立分量分析。- Principal component analysis model for establishing, Arrival process is a Poisson process, Independent component analysis for image processing.
nuimiu_v87
- 最小二乘回归分析算法，用于图像处理的独立分量分析，借鉴了主成分分析算法（PCA）。- Least-squares regression analysis algorithm, Independent component analysis for image processing, It draws on principal component analysis algorithm (PCA).
je772
- PLS部分最小二乘工具箱,独立成分分析算法降低原始数据噪声，能量谱分析计算。- PLS PLS toolbox, Independent component analysis algorithm reduces the raw data noise, Energy spectrum analysis and calculation.
5225
- 多目标跟踪的粒子滤波器，处理信号的时频分析，独立成分分析算法降低原始数据噪声。- Multi-target tracking particle filter, When processing a signal frequency analysis, Independent component analysis algorithm reduces the raw data noise.
avgorithm_algorithm_language
- FastICA算法,使用matlab语言,是非常好的独立成分分析工具,,(FastICA algorithm, the use of matlab language, independent component analysis tool, is very good,)
程序
- 以稀疏子空间聚类以及低秩子空间聚类等基本谱聚类算法为基础，通过 运用核映射算法，融合与数据本身结构相关的局部切线空间函数以及主成分分析 算法建立了可以应对独立子空间聚类、非独立子空间聚类、非线性聚类、混合多 流体聚类问题以及多种含有大数据量的实际问题，包括处理运动分割、人脸识别、 工件识别等情况中的多种类型数据分类的聚类算法，并且引入 Map-Reduce 并行处 理方法优化了算法的计算效率(Based on the basic spectral clustering algorith
pca_ica
- 可以实现主成分分析（PCA）和独立成分分析（ICA）。(This package contains functions that implement Principal Component Analysis (PCA) and Independent Component Analysis (ICA).)
ICA工具箱 - FastICA_25
- 独立成分分析（Independent Component Analysis），最早应用于盲源信号分离（Blind Source Separation，BBS）。ICA理论的基本思想是从一组混合的观测信号中分离出独立信号，或者尽可能独立的信号对其他信号进行表征。(Independent Component Analysis was first applied to Blind Source Separation (BBS). The basic idea of ICA theory is to s
eeglab13_5_4b
- eeglab提供了一个交互式的图形用户界面（GUI）允许用户灵活、交互过程的高密度脑电图或其他动态脑数据利用独立成分分析（ICA）和/或时间/频率分析（TFA），以及标准的平均方法。eeglab还集成了泛的教程和明窗，加上一个命令历史记录功能，简化了用户从基于GUI的数据探索建立和运行批处理或自定义数据分析脚本(EEGLAB provides an interactive graphic user interface (GUI) allowing users to flexibly and in
FastICA独立成分分析
- 可对信号进行快速分离，算法优于传统ICA。(The signal can be quickly separated, the algorithm is superior to the traditional ICA.)