搜索资源列表
POSTagger
- （1）从已经标注好词性的语料中统计得到词性标记的二元转移矩阵，以及每个词以确定的词性标记出现的次数等数据（训练阶段） （2）利用动态规划算法快速选取词性标记路径，得到词性标记结果 （3）可以选择不同的词性标记集 -(1) from the good part-of-speech tagging has been the Corpus statistics to be part of speech marking the transfer of binary matrix, a
immune_algorithm
- 一个使用免疫算法实现物流调度的源代码，使用SQL Server 2005+Visual Studio C# 2005开发，可以在地图上描出优化路径。压缩包中的wldd.bak和wldd1.bak为数据库文件，将其恢复到SQL Server 2005中即可。需要注意的是，默认的连接字符串为 connectionString=\"Data Source=YANXL\\SQLEXPRESS Initial Catalog=wldd1 User ID=sa Password=dream\" 初始
DM4
- 执行流程： 1. 用户输入参数：K的选择，训练数据，测试数据的路径； 2. 读取训练数据集和测试数据集文件，用ArffFileReader类读取并组织起InstanceSet数据结构； 3. 利用上面的相似度量标准，对每一个测试集中的Instance，计算与其最相似的K个训练集中的Instance，通过投票进行分类，将分类结果存储经Instance的成员变量targetGuess中； 4. 对分类结果进行度量，包括分类正确率，各种类别实例的Precision，Recall；Con
ga_bp
- 基于gaot工具箱优化BP以实现数据拟合。在nninit.m中修改数据存储的路径以及隐含层节点数的设置（S1），遗传算法与bp的参数修改在ga_bp.m中进行。-Toolbox gaot Optimize based on BP in order to achieve data fitting. At nninit.m modify the path of data storage as well as the hidden layer nodes of the set (S1), geneti
fire
- 使用模拟退火算法求解10城市和20城市的旅行商问题，城市数目和城市之间的距离保存在txt文件中，程序读入数据后求解最优路径-The use of simulated annealing algorithm 10 cities and 20 cities in the traveling salesman problem, the number of cities and the distance between the cities stored in the txt file, the pro
UnknownEnvironmentBasedonFuzzyNeural
- ：为提高移动机器人在未知环境下避障行为的成功率，通过对障碍物信息的输人，从控制输出数据中找出避 障行为模式，生成相应的模糊逻辑控制规则，并把模糊控制算法引入到神经网络中，使得模糊控制器规则的在线精 度和神经网络的学习速度均有较大的提高，使移动机器人具有较为迅速的反应能力，实现机器人连续、快速地避障 并最终到达目标．系统仿真证明了模糊神经网络在移动机器人路径选择中的智能性．-To enable the mobile robot in unknown environment obstac
ksp
- 求解K短路问题的一种创新算子的单亲遗传算法源程序，该程序需要一个distance.txt文本文件，从中读取任意两点间距离数据。本程序所解决的为有26个节点的任意两点间K短路问题。-Solving K shortest path problem in an innovative operator of single-parent genetic algorithm source code, the program requires a distance.txt text file, read fr
rounter
- 多旅行商问题的遗传算法解决，内附数据和题目。适合要求不高的路径优化。-Multiple traveling salesman problem genetic algorithm, containing data and topics. Suitable for less demanding path optimization.
jixiebilujingguihua(no-obstacal)
- 机械臂路径规划 无障碍物的环境下 里面的程序很齐全 并且还有实验结果图和数据 可直接运行-Manipulator path planning for obstacle-free environment inside the program is complete and the maps and data of the experimental results can be directly run
Text-Classification_libSVM
- 用seg进行分词 输入参数一：输入文本语料所在的文件夹路径。 如 文本文件语料都放在 train//text 文件夹下，则参数为：train//text//* 。 注意：必须每篇文章在一个txt文本中。 输入参数二：输入存储分词后的结果文件所在的文件夹路径：如：result//text。注意：不需要加* 本工具采用了中科院的中文分词工具，ICTCLAS，请自行到ICTCLAS官网下载该工具。并把Data文件夹，Configure.xml，ICTCLAS30.h，ICTCLAS3
RandomForest
- 随机森林算法是一个可用于数据分类和显现回归的一个相当不错的算法，可实现很多功能。这个算法只需要将所需文件放入一个matlab路径中即可实现-A pretty good random forests algorithm is an algorithm for data classification and regression show, can achieve a lot of functionality. This algorithm only to the desired file into
RecastNavigation
- recast navigation实现基于unity的导航网格数据进行寻路,优化路径平滑算法-recast navigation realization pathfinding grid-based unity of navigation data, the optimal path smoothing algorithm
SVM_REGRESSION
- 这段时间自己在学机器学习相关的内容，其中用到了SVM回归。我采用的libSVM.网上论坛和博客已经有其相当详细的介绍，但是操作步骤比较多，且要下载的文件也比较多。之后我把应该要具有的svm文件整理在一个文件夹中，并把相关教程，和自己的操作经验一并打包在此分享。有些文件是自己编写的，用来转换libsvm数据格式，其他的都在相应的文件夹下可以找到，我自己的实验数据和图也在其中。记住，gridregression.py使用时要内部改路径。我的是64位系统 - This time I
ant
- 蚁群算法 解决TSP问题 程序对20个城市 数据进行计算 通过蚁群算法 计算最短路径 城市数据保存在当前目录下的 1173.txt 文件中-Ant colony algorithm to solve the TSP program for the calculation of 20 urban data through the ant colony algorithm to calculate the shortest path of urban data stored in the curre
qvaye
- 是路径规划的实用方法，未来线路预测,分析误差,实现用SDRAM运行nios，同时用SRAM保存摄像头数据。- Is a practical method of path planning, Future line prediction, error analysis, Implemented with SDRAM run nios, while saving camera data SRAM.
mpsca
- 仿真效果非常好，独立成分分析算法降低原始数据噪声，用MATLAB编写的遗传算法路径规划。- Simulation of the effect is very good, Independent component analysis algorithm reduces the raw data noise, Genetic algorithms using MATLAB path planning.
data_berka
- 代码中几乎每一行都有自己的注释，参看算法的思想和步骤再来看应该不难 相应的测试函数以及测试数据集也一并上传（Iris，Balance-scale，Glass），程序中写的是绝对路径，需要自己改下(Almost every line of the code has its own comments, see the idea and steps of the algorithm look should not be difficult The corresponding test functi
apriori
- 收集数据：使用任何方法 准备数据：任意数据类型都可以，因为我们只保存集合 分析数据：使用任何方法 训练算法：使用Apriori算法来找到频繁项集 测试算法：不需要测试过程 使用算法：用于发现频繁项集以及物品之间的关联规则 使用Apriori算法，首先计算出单个元素的支持度，然后选出单个元素置信度大于我们要求的数值，比如0.5或是0.7等。然后增加单个元素组合的个数，只要组合项的支持度大于我们要求的数值就把它加到我们的频繁项集中，依次递归。 然后根据计算的支持度选出来的频繁项集来