搜索资源列表
Tikhonov_regularization_toolbox
- Tikhonov正则化工具箱，可实现病态方程组的正则化，以及采用L曲线法、岭估计法、GCV法等确定正则化参数，内含使用方法，亲测有效。-Tikhonov regularization toolbox, which can realize regularization in morbid equations, and using the L curve method, ridge estimation, GCV method to determine the regularization para
mppliedappliedregularization
- 基于正则化转置的LDA matlab源代码,可以应用在人脸识别中-Based on regularization transposed LDA matlab source code, can be applied in face recognition
csvd+ttls
- ttls的正则化方法，适用于各种病态反问题的求解(The regularization method of ttls is applicable to solving various ill conditioned inverse problems)
tgsvd+tsvd
- tgsvd正则化方法，适用于计算各类病态反问题(The tgsvd regularization method is suitable for the calculation of ill posed inverse problems)
Tikhonov.rar
- 论文Tikhonov, Ivanov and Morozov regularization for support vector machine learning(paper, Tikhonov, Ivanov and Morozov regularization for support vector machine learning)
混合正则化
- 对于求解地震勘探问题提出了一个新的混合正则化方法。(A new hybrid regularization method is proposed to solve seismic exploration problems.)
ridge regression1
- 岭回归(英文名：ridge regression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。 总之，本文档是岭回归的R语言实现代码，主要用于解决当模型中出现多重共线性问题，尤其是当你所有的解释变量都很重要，又无法通过其他检验来删除时，岭回归是一个很好的解决办法。(Ridge
sourie
- 基于正则化转置的LDA matlab源代码,可以应用在人脸识别中(Based on regularization transposed LDA matlab source code, can be applied in face recognition)
NLR_codes
- 压缩感知经典重建算法，非局部低秩算法，实现低秩正则约束，优化压缩图片质量。(Compressive Sensing via Nonlocal Low-Rank Regularization)
45188302cvogelTV
- 改进的RL算法，和正则化结合，更能很好的复原图像(The improved RL algorithm, combined with regularization, can better restore the image)
Hasen's regu toolbox(MATLAB)
- 汉森的matlab正则化工具包，可用于求解正则化问题。(Hansen's Matlab regularization toolkit can be used to solve regularization problems.)
REGULATION AUTOMATIQUE
- AUTOMATIC CONTROL COURSE
Tracking_ASMS
- ASMS仅依靠颜色特征的算法而且速度很快，在VOT2015是20名, 是VOT2015官方推荐的实时算法，平均帧率125FPS。在VOT2016是32名，整体属于中等水平。在经典mean-shift框架下加入了尺度估计，经典颜色直方图特征，加入了两个先验(尺度不剧变+可能偏最大)作为正则项，和反向尺度一致性检查。在相关滤波和深度学习盛行的年代，还能看到mean-shift打榜还有如此高的性价比实在不容易。环境：WIN8.1 64位 +Visual Studio 2015 +OpenCV 3.3.
DropOut深度网络
- 深度神经网络在测试时面对如此大的网络是很难克服过拟合问题的。 Dropout能够很好地解决这个问题。通过阻止特征检测器的共同作用来提高神经网络的性能。这种方法的关键步骤在于训练时随机丢失网络的节点单元包括与之连接的网络权值。在训练的时候，Dropout方法可以使得网络变得更为简单紧凑。在测试阶段，通过Dropout训练得到的网络能够更准确地预测网络的输出。这种方式有效的减少了网络的过拟合问题，并且比其他正则化的方法有了更明显的提升。 本文通过一个简单的实验来比较使用Dropout方法前后网络
NMF
- 在标准的非负矩阵分解目标函数中加入坐标排序正则化算子，以模型为基准构造非负矩阵分解(Adding coordinate ordering regularization operator in standard nonnegative matrix decomposition objective function)
L曲线程序
- 确定近似最优正则化参数，很好的解决不适用问题(To determine the approximate optimal regularization parameter, it is very good to solve the problem.)
RegularizationMatlab
- 正则化反演.奇异值分解 拉格朗日乘子 地球物理学反演(Regularization inversion. Singular value decomposition Lagrange multiplier inversion for geophysics)
tv_fista
- 基于总变差正则化模型的图像复原，有图像加噪去噪，去模糊的功能(Image restoration based on total variation regularization model has functions of image denoising, denoising and deblurring.)
GREEN_function
- 计算规则化负荷格林函数其中包括垂直水平位移，重力变化，应力应变等(calculating the regularization loading Green Function)
GNMF
- 图正则化的非负矩阵分解 matlab 代码(Graph regularization of nonnegative matrix factorization. matlab code.)