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. 基于自适应混合变异进化策略的神经模糊系统及应用研究

  2. 针对现存神经模糊系统中存在的问题 提出了基于自适应混合变异进化策略的神经模糊系统 采用改进的最近邻域聚类算法对输入空间进行模糊聚类 确定模糊规则数以及模糊规 则前件 这样做精简了模糊规则 不会因输入变量的增加而造成 维数灾难 采用自适应混合进化策略确定模糊规则的后件。

  3. 所属分类：其它

    • 发布日期：2010-06-19
    • 文件大小：215040
    • 提供者：yangshanliang

  1. 基于Fisher算法和核的Fisher算法的分类器设计

  2. 为了解决分类问题中的高维而导致的维数灾难问题，提出了Fisher算法和基于核的Fisher算法的分类器设计方法

  3. 所属分类：其它

    • 发布日期：2012-05-07
    • 文件大小：2048
    • 提供者：aidehua1988

  1. 支持向量数据描述与支持向量机及其应用

  2. SVM方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中（Hilbert空间），使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题．简单地说，就是升维和线性化．升维，就是把样本向高维空间做映射，一般情况下这会增加计算的复杂性，甚至会引起“维数灾难”，因而人们很少问津．但是作为分类、回归等问题来说，很可能在低维样本空间无法线性处理的样本集，在高维特征空间中却可以通过一个线性超平面实现线性划分（或回归）．一般的升维都会带来计算的复杂化，SVM方法巧妙地

  3. 所属分类：专业指导

    • 发布日期：2012-12-01
    • 文件大小：1048576
    • 提供者：boboqq003

  1. Pi-Sigma神经网络的几种梯度学习算法

  2. 到目前为止，人们提出了许多神经网络模型，其中应用最广泛的是前馈神经网络．早期前馈神经网络中只含有求和神经元，在处理复杂非线性问题时效率很低．后来，人们将求积神经元引入到前馈神经网络中，用以增加网络的非线性映射能力，提高网络的学习效率．这样的网络可以统称为高阶前馈神经网络．但是，如果只通过输入节点值的简单乘积构造求积神经元以增加网络的非线性映射能力，随着输入样本维数的增加，所需权值的数量呈指数阶增加，即出现“维数灾难”．Pi-Sigma 神经网络是1991 年Y．Shin提出的一种具有多项式乘积

  3. 所属分类：专业指导

    • 发布日期：2013-08-21
    • 文件大小：2097152
    • 提供者：samcrazy

  1. 支持向量机

  2. 关于支持向量机里面讲核函数的，介绍了线性核函数、高斯核函数、及多项式核函数等。还介绍了核函数的判定以及Mercer定理

  3. 所属分类：专业指导

    • 发布日期：2014-02-19
    • 文件大小：133120
    • 提供者：u013660393

  1. 基于人脸识别分类器（SRC）的LBP算法与稀疏表达联合方法的改进

  2. 最近，基于描述子的局部二进制模式（LBP）与基于分类器（SRC）稀疏表示（SRC）成为人脸识别两个杰出的技术。初步结合LBP和SRC技术已经在文献中提出的。然而，在真实世界国家的艺术方法，遭受的“维数灾难”。在本文中，提出了一种新的LBP与Src结合的人脸识别算法。其中的维数问题的分而治之和辨别力是加强通过金字塔增强。所提出的人脸识别方法是在AR人脸数据库上的评价，产生令人印象深刻的结果。

  3. 所属分类：电信

    • 发布日期：2015-05-22
    • 文件大小：48128
    • 提供者：u010673361

  1. Web文本挖掘中特征提取算法的分析及改进

  2. Web文本挖掘 文本分类 维数灾难 特征提取

  3. 所属分类：Web开发

    • 发布日期：2008-11-06
    • 文件大小：185344
    • 提供者：fang19861231

  1. 基于PCA的人脸特征提取

  2. 通过特征空间的降维，消除人脸特征之间的关联性，同时用降低了维数，避免了维数灾难。比较好的方案。

  3. 所属分类：其它

    • 发布日期：2016-04-25
    • 文件大小：7340032
    • 提供者：qq_33624931

  1. 高维数据的降维理论及应用

  2. 高维数据，如航天遥感数据、生物数据、网络数据以及金融市场交易数据等， 其处理面临两个问题:一是维数灾难(curses of dimensionality)问题，维数膨胀 给高维数据中模式识别和规则发现带来极大挑战;二是维数的增长又带来“维数 福音”，高维数据中蕴藏的丰富信息中可产生解决问题的新的可能性。如何将高 维数据表示在低维空间中，并由此发现其内在结构是高维信息处理研究的关键问 题之一。降维方法作为克服“维数灾难”的有效手段，己经引起了人们广泛的注意， 相应研究方兴未艾。本文提出并研究了高

  3. 所属分类：算法与数据结构

    • 发布日期：2018-03-22
    • 文件大小：4194304
    • 提供者：qq_28339273

  1. SVM 算法选股以及 Adaboost 增强

  2. 支持向量机的最大特点是改变了传统的经验风险最小化原则，而是针对结构风险最小化原则提出的，因此具有很好的泛化能力。同时，支持向量机在处理非线性问题时，通过将非线性问题转化为高维空间的线性问题，利用核函数替代高维空间中的内积运算，从而巧妙的解决了复杂计算问题，并且有效的克服了维数灾难以及局部极小问题。

  3. 所属分类：机器学习

    • 发布日期：2018-04-10
    • 文件大小：965632
    • 提供者：yeyeye37

  1. 流形学习概述

  2. 在很多应用中，数据的维数会很高。以图像数据为例，我们要识别32x32的手写数字图像，如果将像素按行或者列拼接起来形成向量，这个向量的维数是1024。高维的数据不仅给机器学习算法带来挑战，而且导致计算量大，此外还会面临维数灾难的问题（这一问题可以直观的理解成特征向量维数越高，机器学习算法的精度反而会降低）。人所能直观看到和理解的空间最多是3维的，为了数据的可视化，我们也需要将数据投影到低维空间中，因此就需要有数据降维这种算法来完成此任务。

  3. 所属分类：机器学习

    • 发布日期：2018-08-13
    • 文件大小：794624
    • 提供者：sigai_csdn

  1. 斯坦福吴恩达教授机器学习课程讲义，作业及解析

  2. 网易公开课斯坦福吴恩达教授机器学习课程讲义，作业及解析，配合视频学习更加高效易懂，含有各种公式的推导步骤： [第1集] 机器学习的动机与应用 [第2集] 监督学习应用.梯度下降 [第3集] 欠拟合与过拟合的概念 [第4集] 牛顿方法 [第5集] 生成学习算法 [第6集] 朴素贝叶斯算法 [第7集] 最优间隔分类器问题 [第8集] 顺序最小优化算法 [第9集] 经验风险最小化 [第10集] 特征选择 [第11集] 贝叶斯统计正则化 [第12集] K-means算法 [第13集] 高斯混合模型 [

  3. 所属分类：机器学习

    • 发布日期：2018-09-24
    • 文件大小：6291456
    • 提供者：ly5201314666

  1. 定轴齿轮不同故障状态的分类识别研究

  2. 本文利用定轴齿轮试验台上测的齿轮多种故障状态下的振动信号，实现对其故障模式的有效区分。同时，增加故障特征指标数量也能提高对故障的辨识能力。但是，这也会导致分类正确率降低、计算复杂度剧增和计算效率大幅下降等“维数灾难”问题。去除与故障不相关和冗余的特征指标，保留与故障类型和故障程度相关性强的特征指标，可提高故障诊断的准确率与计算效率。 首先通过多种方法，分别提取信号的时域特征和频域特征，分为时域信号的均值、方差、有效值、峰值、峰峰值、偏态指标、峭度指标、波形因数、峰值因数、脉冲因数、裕度因数，频

  3. 所属分类：其它

    • 发布日期：2018-10-11
    • 文件大小：29360128
    • 提供者：programmer0000

  1. gaijinPSO.m

  2. 粒子群算法的发展过程。粒子群优化算法（Partical Swarm Optimization PSO），粒子群中的每一个粒子都代表一个问题的可能解，通过粒子个体的简单行为，群体内的信息交互实现问题求解的智能性．由于PSO操作简单、收敛速度快，因此在函数优化、 图像处理、大地测量等众多领域都得到了广泛的应用. 随着应用范围的扩大，PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题需要解决。

  3. 所属分类：C/C++

    • 发布日期：2019-07-29
    • 文件大小：2048
    • 提供者：anbeijinwu

  1. 一种基于投影的特征选择方法

  2. 以轴承故障诊断为应用背景,基于低维投影能够反映原高维数据某些特征的思想,提出了一种基于投影的特征选择方法。该方法利用遗传算法找到最能反映样本分类特性的投影方向,并利用该方向剔除与投影值无关的特征指标,克服了传统特征选择方法在高维空间中计算复杂的缺点,有效避免了"维数灾难"。仿真结果表明,该方法能够在不降低投影值类别特性的情况下,有效降低样本数据维数,完成特征选择,提高了分类效率及准确率。

  3. 所属分类：其它

    • 发布日期：2020-04-24
    • 文件大小：229376
    • 提供者：weixin_38560039

  1. 基于动态模糊控制的一级倒立摆系统

  2. 基于动态模糊控制的一级倒立摆系统，张晓华，郑舒人，传统的模糊控制器设计是将所有的状态变量送入一个模糊控制器，这将使规则数目呈指数增长，不但设置规则困难、容易导致维数灾难，

  3. 所属分类：其它

    • 发布日期：2020-01-10
    • 文件大小：509952
    • 提供者：weixin_38635794

  1. 基于核化局部全局一致性学习的提升机故障诊断

  2. 典型的局部全局一致性学习(Learning with Local and Global Consistency,LLGC)是基于图的半监督学习算法,虽然可以对样本进行有效标注,但对非线性数据却*为力,且会出现维数灾难现象。为此,在LLGC的基础上引入核函数,提出核化局部全局一致性学习(KLLGC)解决上述问题。提升机故障诊断的实验结果表明KLLGC的有效性和可行性。

  3. 所属分类：其它

    • 发布日期：2020-07-13
    • 文件大小：183296
    • 提供者：weixin_38745434

  1. 斯坦福大学公开课 ：机器学习课程.txt

  2. [第1集] 机器学习的动机与应用[第2集] 监督学习应用.梯度下降[第3集] 欠拟合与过拟合的概念[第4集] 牛顿方法[第5集] 生成学习算法[第6集] 朴素贝叶斯算法[第7集] 最优间隔分类器问题[第8集] 顺序最小优化算法[第9集] 经验风险最小化 [第10集] 特征选择[第11集] 贝叶斯统计正则化[第12集] K-means算法[第13集] 高斯混合模型[第14集] 主成分分析法[第15集] 奇异值分解[第16集] 马尔可夫决策过程[第17集] 离散与维数灾难 [第18集] 线性二次型调

  3. 所属分类：机器学习

    • 发布日期：2020-08-04
    • 文件大小：2048
    • 提供者：qq_38747830

  1. python实现PCA降维的示例详解

  2. 概述 本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。 1. 降维可以缓解维度灾难问题； 2. 降维可以在压缩数据的同时让信息损失最小化； 3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。 PCA简介 在理解特征提取与处理时，涉及高维特征向量的问题往往容易陷入维度灾难。随着数据集维度的增加，算法学习需要的样本数量呈指数级增加。有些应用中，遇到这样的大数据是非常不利的，而且从大数据集中学习

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：152576
    • 提供者：weixin_38752897

  1. dimension-reduction-algorithms:常用降维算法的复现和比较，包括LDA，QDA，PCA，MDS，Isomap，LLE-源码

  2. 降维算法 一，介绍 在高维层次下会出现数据样本稀疏，距离计算困难等问题，是所有机器学习方法面临的严峻考验，称为“维数灾难”（维数诅咒）。 ，即通过某种数学变换将数据映射到一个低维空间，在这个低维空间里，数据的密度大大地提高，距离计算更加容易。 二，分类 降维算法可以按照是否有监督，变换是否是线性的细分四类： 无监督的线性降维算法，某种 无监督的非线性降维算法，某些 ， ， ， 有监督的线性降维算法，某种 有监督的非线性降维算法（缺） 注意：此处线性指的是高维空间->低维空间是线性的。M

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：1048576
    • 提供者：weixin_42118423
« 12 »