搜索资源列表
GA-PLS-toolbox
- GA-PLS遗传偏最小二乘法 用于数据挖掘或者是光谱特征变量筛选-GA-PLS Genetic Partial Least Squares
iPLS
- 区间偏最小二乘法（iPLS）筛选的特征光谱区域通过摒弃不相关的变量-Interval Partial Least Squares
stft
- 利用时频分析的方法分析一段语音信号的时频特征，并进行降采样等处理，可直接运行-When the time-frequency analysis method to analyze the frequency of use of a voice signal characteristics, and down-sampling and other treatment, can be directly run
era
- 基于时域的模态参数识别算法，特征系统实现法。-Modal parameter identification algorithm based on time domain, the characteristics of the system implementation method.
AgeEstimate
- 用bp神经网络估计鲍鱼年龄的简单小程序，包含8个输入特征，内含数据-A simple program utilizing BP neural network to estimate the age of abalone
xyle
- 拉普拉斯降维方法，是非线性数据降维方法，通过构建相似关系图来重构数据局部流形结构特征。-Laplace dimension reduction method is non-linear data dimensionality reduction method, by constructing a graph similar to reconstruct the structure of local manifoldof the data.
pujulei
- 谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。 该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量 ， 然后选择合适 的特征向量聚类不同的数据点。谱聚类算法最初用于计算机视觉 、VLS I 设计等领域， 最近才开始用于机器学习中，并迅速成为国际上机器学习领域的研究热点。-Spectral clustering algorithm based on the spectrum b
DeepLearning-master
- 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。[1] 深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。[1] 深度学习是机器
InfoRetri
- 基于朴素贝叶斯的文本分类，包含去停用词，分词，特征提取，分类等-Text classification, based libsvm, included to stop words, segmentation, feature extraction and classification
1
- 检测中文文章的相似度，首先对中文文章分词处理，然后提取特征，计算特征向量夹角。检验是否相似-Similarity detection Chinese article, the first article of the Chinese word processing and feature extraction, feature vector angle calculation. Test whether similar
neighborhood-mu-info
- 基于邻里互信息特征的评价与选择,数据挖掘，Matlab平台-neighborhood mutual information based feature uation and selection
wrappers
- 文档中是有关于数据挖掘中的wrapper特征选择法（sequential feature selection）的详细资料。-The document is about the wrapper feature selection method (aka sequential feature selection).
Phase_Space_Reconstruction_et-al
- 相空间重构算法，可用于分析非线性系统的数据特征-Phase space reconstruction algorithm, can be used to analyze the data characteristics of nonlinear systems
MIMGA
- 基于互信息最大化的特征提取代码，希望对大家有用(Feature extraction code based on maximization of mutual information)
特征分解
- 简单的特征分解使用说明,使用numpy.linalg.eig()函数(Simple Method to use eig)
FNN与PCA和KPCA结合
- 一种特征提取方法：结合主元分析(PCA)和核主元分析（KPCA）的前馈神经网络（FNN）(A feature extraction method: the feedforward neural network (FNN) combined with principal component analysis (PCA) and kernel principal component analysis (KPCA))
ICA
- 一种特征提取方法：独立成分分析（ICA)(A feature extraction method: independent component analysis (ICA))
小波包能量谱
- 用于信号特征提取，提取信号的小波包能量谱(Extracting the wavelet packet energy spectrum of the signal)
慢特征分析算法包
- 该算法旨在提取输入信号中的变化最缓慢的特征信号，即反映本质特性的信号。其中包含测试、简介、使用说明等。
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算