注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 一种特征加权的聚类算法框架

  2. 通过某种聚类算法对数据聚类，然后，根据聚类结果，采用有监督特征评价方法 学习各维特征的权值，再根据特征权值重新聚类，之后再次学习特征权值，该过程反复迭代，直至算法收敛或达到指定 的迭代次数。欧几里德空间内基于距离、基于密度的聚类算法均适用于本框架。

  3. 所属分类：其它

    • 发布日期：2012-05-12
    • 文件大小：241664
    • 提供者：w1026217

  1. Jsp数据挖掘(apriori+kmeans)

  2. 以WEB的方式实现之 package myproject; import java.io.*; import java.util.StringTokenizer; public class Kmeans implements DataContent{ public double [][] pattern=new double[MAXPATTERN][MAXVECTDIM];//样本数据 public Acluster [] cluster;//生成的聚类结果 public int numPat

  3. 所属分类：Java

    • 发布日期：2009-04-18
    • 文件大小：24576
    • 提供者：cg__86

  1. 基于欧几里德聚类的障碍物检测ROS实现

  2. 使用PCL实现的欧几里德聚类ROS节点，配合地面过滤可实现较为理想的激光雷达障碍物检测

  3. 所属分类：机器学习

    • 发布日期：2018-10-11
    • 文件大小：33792
    • 提供者：adamshan

  1. 三种灰色聚类方法在煤种聚类中的应用效果分析

  2. 比较了基于邓氏灰色关联度的聚类分析、灰色综合聚类评估模型分析和灰色欧几里德关联度聚类分析三种聚类分析方法在煤种聚类中的使用效果;结合试验研究和定量分析两种方法,测量了101个试验煤样的发热量、灰分、挥发分、硫分四项参数,并应用上述三种聚类分析法对煤种进行了聚类分析,结果表明,基于邓氏灰色关联度的聚类分析结果较其他两种方法准确很多,准确度可达96%,而其他两种的准确度仅为52%和68%。

  3. 所属分类：其它

    • 发布日期：2020-06-16
    • 文件大小：257024
    • 提供者：weixin_38742571

  1. 使用线性动态系统进行动作识别

  2. 在本文中，我们提出了一种基于线性动态系统（LDS）的动作识别新方法。我们的主要贡献是双重的。首先，我们将LDS引入到动作识别中。 LDS描述了动态纹理，该纹理在时间上表现出一定的平稳性。由于时空补丁比视频序列更类似于线性时不变系统，因此采用它们来建模从视频序列中提取的时空补丁。值得注意的是，LDS不在欧几里德空间中生活。因此，我们采用核主角来度量LDS之间的相似度，然后使用多类谱聚类来生成特征表示袋的码本。其次，我们提出了一种监督式码本删减方法，以保留可区分的视觉单词并抑制每个动作类别中的噪声。

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：653312
    • 提供者：weixin_38655987

  1. cs4641-python-源码

  2. cs4641-python 该存储库包含针对各种机器学习技术的Python实现，我在乔治亚理工学院CS 4641（机器学习）课程的一部分中从头开始对它们进行了编码。 阅读以下有关每个模型的更多信息： K均值聚类 K均值初始化k个随机聚类中心，并将每个数据点归类为最接近的k个聚类中的任何一个。 在此实现中，我使用成对的欧几里德距离进行聚类，并使用平方误差总和来计算损失。 高斯混合模型 GMM是一种概率模型，它假定可以从有限数量的高斯分布的组合中产生所有数据点。 它是一种软群集算法，可将每个数据点

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：12288
    • 提供者：weixin_42133452

  1. 激光雷达障碍物探测：传感器融合纳米程序C ++下的第一个项目-源码

  2. 传感器融合课程-第一个项目-激光雷达障碍物检测 激光雷达原理 激光雷达传感通过发送数千个激光信号为我们提供高分辨率数据。 这些激光从物体反射回来，返回到传感器，然后我们可以通过定时返回信号所需的时间来确定物体的距离。 我们还可以通过测量返回信号的强度来告诉一些有关被击中的物体的信息。 每条激光都在红外光谱中，并以许多不同的角度发出，通常在360度范围内。 激光雷达传感器为我们提供了3D周围世界的高精度模型，但它们目前非常昂贵，一个标准单元的价格高达60,000美元。 项目描述 使用来自Udaci

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：202375168
    • 提供者：weixin_42116585

  1. DBSCAN聚类算法原理及其实现

  2. DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）聚类算法，它是一种基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇。我们总结一下DBSCAN聚类算法原理的基本要点：DBSCAN算法需要选择一种距离度量，对于待聚类的数据集中，任意两个点之间的距离，反映了点之间的密度，说明了点与点是否能够聚到同一类中。由于DBSCAN算法对高维数据定义密度很困难，所以对于二维空

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：695296
    • 提供者：weixin_38606076

  1. Bisectingk-means聚类算法实现

  2. Bisectingk-means聚类算法，即二分k均值算法，它是k-means聚类算法的一个变体，主要是为了改进k-means算法随机选择初始质心的随机性造成聚类结果不确定性的问题，而Bisectingk-means算法受随机选择初始质心的影响比较小。首先，我们考虑在欧几里德空间中，衡量簇的质量通常使用如下度量：误差平方和（SumoftheSquaredError，简称SSE），也就是要计算执行聚类分析后，对每个点都要计算一个误差值，即非质心点到最近的质心的距离。那么，既然每个非质心点都已经属于

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：227328
    • 提供者：weixin_38700409

  1. 激光雷达障碍物检测：Udacity -Sensor Fusion-项目1-源码

  2. 爱德华多·里贝罗·德·坎波斯-2021年3月 项目：激光雷达障碍物检测。 传感器融合纳米学位计划。 在整个Lidar课程中，我们从 （传感器融合与本地化总监）那里学习了有关Lidar的观点，软件方法由 （高级AV软件工程师）教授。 来自 （梅赛德斯-奔驰研究与开发北美公司）的两位专业人员。 研究了开发可处理Lidar数据的管道的最佳实践。有关更多详细信息，请和。 该项目的目标可在网页上找到。 1.细分（RANSAC）。 2聚类（KD树和欧几里得聚类） 3.边界框。 4，下采样数据（体素网

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：207618048
    • 提供者：weixin_42139357

  1. Bisectingk-means聚类算法实现

  2. Bisectingk-means聚类算法，即二分k均值算法，它是k-means聚类算法的一个变体，主要是为了改进k-means算法随机选择初始质心的随机性造成聚类结果不确定性的问题，而Bisectingk-means算法受随机选择初始质心的影响比较小。首先，我们考虑在欧几里德空间中，衡量簇的质量通常使用如下度量：误差平方和（SumoftheSquaredError，简称SSE），也就是要计算执行聚类分析后，对每个点都要计算一个误差值，即非质心点到最近的质心的距离。那么，既然每个非质心点都已经属于

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：227328
    • 提供者：weixin_38732307

  1. cuTimeWarp：用于时间序列机器学习的动态时间规整和SoftDTW损失功能的CUDA实现。 CSS535 HPC的课程项目-源码

  2. cuTimeWarp 用于时间序列机器学习的动态时间规整和SoftDTW损失功能的CUDA实现。 基于以下描述的算法： 去做 在CPU上实施幼稚的DTW 在CPU上实现软DTW 选择基准数据集 在CPU上实现成对平方的欧几里德距离 在CPU上实现软DTW渐变 在CPU上实现软DTW重心估计 在CUDA中实施幼稚的DTW 在CUDA中实施软DTW 在CUDA中实现成对平方的欧几里德距离 在CUDA中实现软DTW渐变 在CUDA中实现软DTW重心估计 在CUDA中实现

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：110592
    • 提供者：weixin_42104181

  1. DBSCAN聚类算法原理及其实现

  2. DBSCAN（Density-BasedSpatialClustering ofApplicationswithNoise）聚类算法，它是一种基于高密度连通区域的、基于密度的聚类算法，能够将具有足够高密度的区域划分为簇，并在具有噪声的数据中发现任意形状的簇。我们总结一下DBSCAN聚类算法原理的基本要点：DBSCAN算法需要选择一种距离度量，对于待聚类的数据集中，任意两个点之间的距离，反映了点之间的密度，说明了点与点是否能够聚到同一类中。由于DBSCAN算法对高维数据定义密度很困难，所以对于二维

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：695296
    • 提供者：weixin_38685832

  1. 用于数据流演进的超椭球聚类技术

  2. 数据挖掘已成为建立智能决策支持系统的关键要素。 作为数据挖掘的主要分支之一，数据流群集在过去十年中受到了很多关注。 大多数现有的数据流聚类技术都依靠欧几里德距离度量来查找相似的对象，因此会产生不总是适合于表示数据的球形聚类。 此外，在大多数现实世界中的问题中，我们遇到了密度变化的数据，这些数据无法通过基于密度的聚类技术来处理。 在本文中，我们基于最近提出的HyCARCE算法，介绍了一种新的聚类技术，称为用于演进数据流的超椭球聚类（HECES）。 在HECES中，对HyCARCE算法进行了一些修改

  3. 所属分类：其它

    • 发布日期：2021-03-28
    • 文件大小：1048576
    • 提供者：weixin_38714637