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. 人脸识别中几种监督降维算法的实现

  2. 里面包含我的毕业论文和相关资料。90%的源代码（matlab）都是自己编的，注释详尽，有需要的朋友可以参考。

  3. 所属分类：其它

  1. Lasso降维算法MATLAB

  2. 超高维数据降维算法，亲测可用，Lasso算法。输入数据第一列是y，2：end是x。

  3. 所属分类：算法与数据结构

    • 发布日期：2018-07-20
    • 文件大小：871
    • 提供者：qq_39478208

  1. PCA和LDA在高光谱图像降维中的应用综述

  2. 本研究回顾了基于主成分分析PCA和判别分析LDA的降维方法及其扩展，包括经典主成分分析、概率主成分分析、核主成分分析，以及线性判别分析、局部保持降维、图形嵌入判别分析和半监督降维分析。

  3. 所属分类：专业指导

    • 发布日期：2018-09-12
    • 文件大小：1044480
    • 提供者：suiluochenghu

  1. 降维方法监督分类的比较研究

  2. 对ISOMap、LDA、LLE、PCA这4种典型降维算法的主要思想和算法步骤进行了详细分析，并将它们用于有监督分类。从实验结果分析得到结论，其可为有监督分类提供有益的借鉴。

  3. 所属分类：其它

    • 发布日期：2020-10-17
    • 文件大小：323584
    • 提供者：weixin_38653385

  1. 利用半监督降维算法预测蛋白质亚细胞位置

  2. 利用半监督降维算法预测蛋白质亚细胞位置

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：786432
    • 提供者：weixin_38666230

  1. 自适应正则化核二维判别分析

  2. 传统的半监督降维技术中,在原特征空间中定义流形正则化项,但其构造无助于接下来的分类任务.针对此问题,文中提出一种自适应正则化核二维判别分析算法.首先每个图像矩阵经奇异值分解为两个正交矩阵与一个对角矩阵的乘积,通过两个核函数将两个正交矩阵列向量从原始非线性空间映射到一个高维特征空间.然后在低维特征空间中定义自适应正则化项,并将其与二维矩阵非线性方法整合于单个目标函数中,通过交替优化技术,在两个核子空间提取判别特征.最后在两个人脸数据集上的实验表明,文中算法在分类精度上获得较大提升.

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：573440
    • 提供者：weixin_38622827

  1. 降维的通用指数框架

  2. 作为一般框架，基于成对相似性矩阵的Laplacian嵌入可从高维数据推断低维表示。 但是，它通常存在三个问题：1）算法性能对邻居的大小敏感； 2）算法遇到众所周知的小样本量（SSS）问题； 3）该算法不强调小距离对。 为了解决这些问题，在这里我们提出使用矩阵指数的指数嵌入，并提供用于降维的通用框架。 在框架中，矩阵指数可以通过特征相似矩阵上的随机游走来粗略地解释，因此更加健壮。 矩阵指数的正定性处理SSS问题。 指数嵌入的衰减函数的行为在强调小距离对时更为重要。 在此框架下，我们应用矩阵指数来扩

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：3145728
    • 提供者：weixin_38693586

  1. 降维的通用指数框架

  2. 作为一般框架，基于成对相似性矩阵的Laplacian嵌入可从高维数据推断低维表示。 但是，它通常存在三个问题：1）算法性能对邻居的大小敏感； 2）算法遇到众所周知的小样本量（SSS）问题； 3）该算法不强调小距离对。 为了解决这些问题，在这里我们提出使用矩阵指数的指数嵌入，并提供用于降维的通用框架。 在框架中，矩阵指数可以通过特征相似矩阵上的随机游走来粗略地解释，因此更加健壮。 矩阵指数的正定性处理SSS问题。 指数嵌入的衰减函数的行为在强调小距离对时更为重要。 在此框架下，我们应用矩阵指数来扩

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：6291456
    • 提供者：weixin_38706100

  1. 基于成对约束加权和图优化的自适应半监督降维

  2. 基于成对约束加权和图优化的自适应半监督降维

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：819200
    • 提供者：weixin_38715008

  1. 通过使用拉普拉斯算子的有监督邻居嵌入来降维

  2. 通过使用拉普拉斯算子的有监督邻居嵌入来降维

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：3145728
    • 提供者：weixin_38697274

  1. 自适应半监督降维

  2. 自适应半监督降维

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：390144
    • 提供者：weixin_38629362

  1. 使用监督正交判别投影进行聚类的无监督维约化

  2. 通过结合监督正交判别投影（SODP）和K-均值聚类集成，提出了一种新的无监督降维聚类方法，即SODP-KSCE。 以迭代方式操作的新颖算法可自适应地优化聚类结果，并学习具有最佳间隔的子空间。 为了提高K均值的稳定性，SODP-KSCE采用了集成学习。 此外，引入了负熵增量（NI）指数来衡量聚类性能。 在低维子空间中执行K均值聚类集成算法，生成未标记数据的伪类标签，然后将其用于指导原始空间中SODP的降维过程。 在多个数据集上的实验结果表明了SODPKSCE的有效性。

  3. 所属分类：其它

    • 发布日期：2021-03-08
    • 文件大小：201728
    • 提供者：weixin_38591291

  1. 递归正交标签回归：半监督降维的框架

  2. 递归正交标签回归：半监督降维的框架

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：707584
    • 提供者：weixin_38621104

  1. 使用成对约束的稀疏表示的自适应半监督降维

  2. 使用成对约束的稀疏表示的自适应半监督降维

  3. 所属分类：其它

    • 发布日期：2021-03-06
    • 文件大小：860160
    • 提供者：weixin_38502428

  1. 基于比例尺切割准则的判别分析用于有监督的降维

  2. 基于比例尺切割准则的判别分析用于有监督的降维

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：786432
    • 提供者：weixin_38675506

  1. 无监督学习：使用不同的降维算法运行聚类算法并比较性能-源码

  2. 无监督学习 概述 该存储库运行集群和降维技术。 运行的两种聚类算法是K均值和期望最大化。 运行的4维降维算法是主成分分析（PCA），独立成分分析（ICA），随机投影（RP）和递归特征消除（RFE）。 该存储库运行以下内容并捕获性能： 运行两种聚类算法 运行降维，然后进行聚类算法 降维和聚类算法的神经网络 数据集是来自UCI机器学习存储库的Adult和Wine数据集。 运行步骤 需要Python 3.6 从requirements.txt安装以下要求 使用python 3运行以下文件以创建数据

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：1048576
    • 提供者：weixin_42128558

  1. dPCA：混合主成分分析的实现（一种监督的线性降维技术）-源码

  2. 混合主成分分析（dPCA） dPCA是一种线性降维技术，可自动发现并突出显示复杂的人口活动的基本特征。 人口活动被分解为几个混合的部分，这些部分捕获了数据中的大多数方差，并突出了人口对各种任务参数（如刺激，决策，奖励等）的动态调整。 D Kobak + ，W Brendel + ，C Constantinidis，CE Feierstein，A Kepecs，ZF Mainen，XL Qi，R Romo，N Uchida，CK Machens 神经人口数据的混合主成分分析eLife 2016

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：288768
    • 提供者：weixin_42126677

  1. 一种极化SAR影像分类中的半监督降维方法

  2. 针对极化合成孔径雷达(SAR)应用中存在的特征冗余问题，结合线性判别分析(LDA)和局部线性嵌入(LLE)的思想，提出一种半监督降维算法：半监督局部判别分析(SLDA)。该算法首先基于LLE的局部保持特性建立正则项，以避免学习中的过拟合问题。然后，在标记样本集上进行正则化的判别分析，以增强算法的推广能力，同时保持所有样本点在原始空间的局部几何结构。利用RADARSAT-2和AIRSAR卫星获得的Flevoland地区的全极化SAR数据进行降维实验，结果表明SLDA提取的低维特征具有“类内紧聚，类

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：18874368
    • 提供者：weixin_38666823

  1. 无监督学习之PCA降维

  2. 无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：162816
    • 提供者：weixin_38500090

  1. 无监督学习PCA降维处理和K-means聚类

  2. 1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：155648
    • 提供者：weixin_38696336
« 12 3 4 5 6 7 »