搜索资源列表
编译原理及实践
- 目 录 译者序 前言 第1章 概论 1 1.1 为什么要用编译器 2 1.2 与编译器相关的程序 3 1.3 翻译步骤 5 1.4 编译器中的主要数据结构 8 1.5 编译器结构中的其他问题 10 1.6 &
ImprovedAlgorithmBasedonKernelFunctionandApplicati
- 本文的题目是改进的核函数算法及其在人脸识别中的应用研究。 本文在系统学习现有核函数及支持向量机相关理论的基础上,系统研究了自适应选择核函数算法,通过引入朴素正则风险最小化准则,提出了一种改进的在线核函数算法。算法采用截断误差最小化、合理选取拉格郎日因子等方法对新增样本进行训练,有效地克服了现有方法收敛精度低和不能自适应选择样本的困难。 根据独立分量分析的原理和特点,将改进的核函数算法引入人脸识别的研究中,给出了基于ICA-SVM的人脸识别算法及实现方法。 论文分别应用数值仿
bianyiyuanli
- 输入一个正则表达式(也可以预先将一些测试的正则表达式输入到文件中) (2)输出相应的NFA图(要求用画图方法完成并要求是逐步逐步进行画,好象书本P47例2.12和2.13一样逐步得到结果) (3)NFA转换为DFA(得到的DFA图要求用画图方法完成并要求先产生子集构造表出来再画DFA图) (4)DFA最小化(也要求用画图方法完成) (5)选做部分:将最小化DFA所对应的识别程序自动产生出来。(将自动产生的识别程序以文件形式保存即可,并可以在系统中查看
DFA
- 输入一个正则表达式,输出相应的NFA图,NFA转换为DFA(得到的DFA图要求用画图方法完成并要求先产生子集构造表出来再画DFA图),DFA最小化(也要求用画图方法完成) -Enter a regular expression, the output corresponding NFA map, NFA is converted to DFA (the DFA plans to be asked to use drawing methods and called for the first
mrics
- 代码的mrics。M’是从他们的傅立叶系数的一个子集,使用总变分正则化图像重建的分裂Bregman方法的实现。使用代码指令可以在文件“mrics顶在评论中发现。”。一个演示脚本也包括在内,显示正确的使用方法。-The code ‘mrics.m’ is an implementation of the Split Bregman method for reconstructing images a subset of their Fourier coefficients using total
AOS-method
- 正则化P-M模型的半隐式求解格式,加性分裂算子(AOS)方法-Regularization P- semi implicit solving format of M model, additive division operator (AOS) method
Distance-Regularized-Level-Set
- 水平集方法是一种先进的图像分割方法。这个matlab代码演示了一个基于边缘的活动轮廓模型,是下面一篇带距离正则化的水平集方程论文的应用: C. Li, C. Xu, C. Gui, M. D. Fox, Distance Regularized Level Set Evolution and Its Application to Image Segmentation , IEEE Trans. Image Processing, vol. 19 (12), pp. 3243-3254,
l_curve
- 反演问题中正则化参数阿尔法的l-curve选取方法,用于画出l-curve,选取曲率最大的点。-Inverse problem regularization parameter alpha l-curve selection method used to draw l-curve, the point of maximum curvature.
bp2
- 采用贝叶斯正则化算法提高 BP 网络的推广能力。 在本例中,我们采用两种训练方法,即 L-M 优化算法(trainlm)和贝叶斯正则化算法(trainbr),用以训练 BP 网络,使其能够拟合某一附加有白噪声的正弦样本数据。-Bayesian regularization algorithm to improve the generalization ability of BP network. In this example, we use two training methods, na
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
compressed-sensing_OPM
- 正交匹配追踪算法每次迭代均只选择与残差最相关的一列,自然人们会想:“每次迭代是否可以多选几列呢?”,正则化正交匹配追踪(RegularizedOMP)就是其中一种改进方法。本篇将在上一篇《压缩感知重构算法之正交匹配追踪(OMP)》的基础上给出正则化正交匹配追踪(ROMP)算法的MATLAB函数代码,并且给出单次测试例程代码、测量数M与重构成功概率关系曲线绘制例程代码。-Compressed Sensing
coursera--Assignment-answers
- 机器学习入门级算法,机器学习课堂答案全套。包括牛顿方法,生成学习算法,贝叶斯统计正则化,奇异值分解算法等- U673A u5686 u5B06 u5E6 u5E2 u5E2 u2113 u7E1 u7B97 u6CD5 uFF0C u673A u5668 u5B66 u4E60 u8BFE u5802 u7B54 u6848 u5167 U65B9 u5c2 u53F3 u651F u7Bc R U6C
bpNeural-network-instance
- 例1 采用动量梯度下降算法训练 BP 网络。 例2 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中,我们采用两种训练方法,即 L-M 优化算法(trainlm)和贝叶斯正则化算法(trainbr),用以训练 BP 网络,使其能够拟合某一附加有白噪声的正弦样本数据。-Example 1 uses the momentum gradient descent algorithm to train the BP network. Example 2 uses the Bayesian
属性散射中心
- 属性散射中心建模,新方法研究,relax算法修正,正则化参数选择
pr_reg
- 多种最优化方法的集合函数,包括吉洪诺夫正则化算法等。(mutilple method for inverse problem, mainly to solve ill-conditioned system of linear equations.including Tikhonov regularization method.)
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
logistic
- python实现的logistic回归,ex2为不带正则化的版本,ex2_reg为正则化版本,从数据集中的两个特征中,采用相乘与取n次方的方法,又人工生成了一些特征,因此加上了正则化。(logistic regression in python)
Chapter04
- 基于tensorflow 的神经网络的损失函数,学习率,正则化,滑动平均等方法(Method of loss function, learning rate, regularization and sliding average of neural network based on tensorflow)
adaptive TVMM demo
- 全变分图像反卷积:MAJORIZATION-MINIMIZATION方法。 《TOTAL VARIATION-BASED IMAGE DECONVOLUTION: A MAJORIZATION-MINIMIZATION APPROACH》这篇论文的源码 本文提出了一种新的在全变差正则化条件下图像反褶积的最大化-最小化算法。(Totally variational image deconvolution: The source of this paper TOTAL VARIATION-B
超限学习机理论讲解及编程实现
- 该方法随机给定神经元权值中的输入权值和阈值,然后通过正则化原则计算输出权值,神经网络依然能逼近任意连续系统。(The method gives the input weights and thresholds of neuron weights randomly, and then calculates the output weights by regularization principle. The neural network can still approximate any cont