搜索资源列表
PCA
- 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上 进行特征提取,每一个主分量都是原始变量的线性组合-Is proposed based on Principal Component Analysis and Measure of blending fast clustering method. Principal component space by constructing a high-dimensional data onto two p
liuxinggaishu
- :流形学习是一种新的非监督学习方法,近年来引起越来越多机器学习和认知科学工作者的重视. 为了加深 对流形学习的认识和理解,该文由流形学习的拓扑学概念入手,追溯它的发展过程. 在明确流形学习的不同表示方 法后,针对几种主要的流形算法,分析它们各自的优势和不足,然后分别引用Isomap 和LL E 的应用示例. 结果表明, 流形学习较之于传统的线性降维方法,能够有效地发现非线性高维数据的本质维数,利于进行维数约简和数据分 析. 最后对流形学习未来的研究方向做出展望,以期进一步拓展流形
AKNN-
- 一种基于主存-tree的高维数据KNN连接算法-Abroad a tree that the information is not translated literature in the form as a graduation design translation literature as to
The-X-tree--
- 一个对高维数据的索引结构 此为研究树形结构的国外文献 以供各位参考-One for reference for the study of foreign literature of the tree structure of the index structure of high dimensional data
基于核函数主元分析的机械故障诊断方法
- 提出基于核函数主元分析的机械故障诊断方法, 它保留主元分析的优点并具有处理非线性的能力。该方法通过核函数映射将非线性问题转换成高维的线性特征空间, 然后对高维空间中的映射数据作主元分析,提取其非线性特征, 对机械故障模式进行识别。并与主元分析方法进行对比分析, 实验结果表明核函数主元分析法非常有效。-Proposed mechanical fault diagnosis method based on Kernel Principal Component Analysis, it retains
data-mining-feature-selection-method
- 数据挖掘论文面向高维数据挖掘的特征选择方法研究,感觉挺不错,分享一下-Data mining papers for high-dimensional data mining feature selection method, I feel very good to share
tixingguanzi2
- 分析了支持向量回归机在能源需求预测中的优势,确定了输入向量集合和输出向量集合,建立了基于Matlab技术的SVR能源需求预测模型.对我国1985-2008年能源需求相关数据进行模拟与仿真,并对中国2010年和2020年能源需求量进行预测.研究结果表明:一是中国未来对能源的需求量逐渐增加,从2010年的330400万吨标准煤上升到2020年418320万吨标准煤,年均增长率为2.39%;二是在解决我国能源系统小样本.非线性及高维模式识别问题中SVR比BP神经网络等方法有更高的预测精度.-Suppo
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
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
PCA_ORL
- 人脸识别技术作为生物体特征识别技术的重要组成部分,在近些年来已经发展成为计算机视觉和模式识别领域的研究热点。本实验是基于K-L变换的主成分分析法(PCA)在人脸识别中的应用,在ORL人脸库的基础上通过Matlab实现了快速PCA算法的验证仿真,并对样本图像进行了重构。本实验在ORL人脸库的基础上,选用每人前5张图片,共计40人200幅样本图像,通过快速PCA算法将10304维的样本特征向量降至20维,并实现了基于主分量的人脸重建,验证了PCA算法在高维数据降维处理与特征提取方面的有效性。-Fac
Random-Matrix-
- 电网暂态分析是保证电网稳定运行的重要手段。随着电网广域测量系统(wide-area management system, WAMS)的发展,电网形成了具有时空特性的高维海量运行数据。传统的电网暂态分析采用物理模型,用严格的数学公式关联维度之间数据,这种模型不能充分利用海量电网运行数据,造成资源浪费。从数据驱动的角度,首先分析 WAMS 数据的应用情况,考虑电网运行数据特点建立数据模型。然后利用随机矩阵理论(random matrix theory, RMT) 建立平均谱半径(mean spect
面向高维数据的子空间聚类算法研究
- 面向高维数据的子空间聚类算法研究,包括所有的硬子空间,软子空间等聚类算法,也包括一些新提出的子空间聚类算法及其伪代码和实验分析。(The research of subspace clustering algorithms for high-dimensional data includes all the hard subspace, soft subspace and other clustering algorithms. It also includes some newly propo
高维数据分析
- 此文件为高维数据分析的基础课程,想要学习统计方面知识的还可以下载看看
张量分解针对高维稀疏数据处理阐述.docx
- 张量分解 技术研究的情况。送 if 为哦我吃呢次哦嗯哦此外呢次哦那位哦刺猬(Tenor Decomposition The study of tensor decomposition technology. If, oh, I'll eat it. Oh, uh oh, besides, oh, oh, hedgehog.)
清华大学数据可视化教程高维数据可视化v3-9509917
- 清华大学数据可视化教程高维数据可视化v3-9509917,python菜鸟必备(Tsinghua University data visualization tutorial high dimensional data visualization v3-9509917, python rookie essential)