您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 非监督学习迭代算法演示程序

  2. 实现了非监督学习的迭代算法,附带演示数据
  3. 所属分类:其它

    • 发布日期:2010-03-12
    • 文件大小:3072
    • 提供者:liulinlaoxiu
  1. 遥感实验--非监督分类

  2. 实验目的和要求: (1)掌握遥感图像非监督分类的过程和方法; (2)学习增强处理中的光谱增强处理的基本方法; (3)上机并学习erdas imagine 8.7软件的简单操作方法。
  3. 所属分类:专业指导

    • 发布日期:2010-10-15
    • 文件大小:652288
    • 提供者:zhqahzy
  1. 强化学习在网络通信中的应用

  2. 强化学习(reinforcement learning,又称再励学习,评价学习)是一种重要的机器学习方法,在智能控制机器人及分析预测等领域有许多应用。但在传统的机器学习分类中没有提到过强化学习,而在连接主义学习中,把学习算法分为三种类型,即非监督学习(unsupervised learning)、监督学习(supervised leaning)和强化学习。
  3. 所属分类:网络基础

    • 发布日期:2010-12-23
    • 文件大小:3072
    • 提供者:XBF302
  1. 基于非监督学习的入侵分析新方法

  2. 出一种新的基于非监督学习的入侵分析方法。该方法具有发现未知攻击类型的能力,既可以作为独 立的分析方法使用,又可以作为基于数据融合的入侵检测的一个分析引擎。在该方法中,核心非监督学习算法 采用最大最小距离算法,同时融合非线性的归一化预处理和非数值型特征的有效编码等技术。与同类方法相 比,该方法检测率较高,尤其是对于DoS和Probing两大类攻击效果更好。基于非监督学习的入侵分析新方法
  3. 所属分类:网络攻防

    • 发布日期:2011-01-10
    • 文件大小:675840
    • 提供者:jht320
  1. 非监督学习--keam聚类文档与算法

  2. 非监督学习--keam聚类文档与算法 matlab
  3. 所属分类:其它

    • 发布日期:2011-06-18
    • 文件大小:174080
    • 提供者:huandaohack
  1. 流形学习概述

  2. 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LLE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学习的应用领域
  3. 所属分类:其它

  1. Standford机器学习 聚类算法(clustering)和非监督学习

  2. Standford机器学习 聚类算法(clustering)和非监督学习
  3. 所属分类:专业指导

  1. 强化学习 Q-learning

  2. 智能Agent 的主要特征之一就是能够适应未知环境,而在这一过程中,主动学习是至关重要的。在机器学习领域,大致可以将学习分为监督学习、非监督学习和强化学习3 大类。
  3. 所属分类:其它

    • 发布日期:2014-08-17
    • 文件大小:420864
    • 提供者:liyuelong126com
  1. 非监督特征学习与深度学习 中文教程(UFLDL)

  2. 非监督特征学习与深度学习 中文教程(UFLDL) 非监督特征学习与深度学习 中文教程(UFLDL)
  3. 所属分类:深度学习

    • 发布日期:2017-12-06
    • 文件大小:1048576
    • 提供者:wizardforcel
  1. 非监督学习FCM识别光伏电池片缺陷

  2. 非监督学习FCM识别光伏电池片缺陷,建议先阅读一下本人的博文。http://blog.csdn.net/qq_38784454/article/details/79555388
  3. 所属分类:机器学习

    • 发布日期:2018-03-14
    • 文件大小:94371840
    • 提供者:qq_38784454
  1. 非监督学习方法

  2. 模式识别 第12讲 非监督学习
  3. 所属分类:机器学习

    • 发布日期:2018-04-12
    • 文件大小:3145728
    • 提供者:qq_41985405
  1. 非监督学习个人总结

  2. 利用python sklearn进行机器学习
  3. 所属分类:机器学习

    • 发布日期:2018-05-28
    • 文件大小:6291456
    • 提供者:liangjiaweihust
  1. 哈工大模式识别

  2. 哈工大模式识别相关资源,非监督学习资料,非常适合初学者学习;
  3. 所属分类:机器学习

    • 发布日期:2018-08-07
    • 文件大小:5242880
    • 提供者:wgm2001840
  1. 基于半监督过采样非平衡学习的矿山微震信号识别

  2. 为准确实现冲击矿压灾害的预防预警,提出一种半监督过采样框架对煤矿微震数据进行模式识别,采用主成分分析、小波变换和Fisher判别对微震数据集样本的多个信号通道进行特征提取;并对提取到的特征数据进行半监督非平衡学习;最后训练分类器进行模式识别。通过在兖矿集团微震数据集进行试验,结果表明:针对微震数据的半监督过采样框架可以有效提高微震数据的识别准确率。与只进行过采样的方法相比,使用CPLE和SELF两种半监督学习的方法,在KNN、LR、FLD、RF、SVM和Adaboost这6个分类器上有5个分类器
  3. 所属分类:其它

    • 发布日期:2020-04-18
    • 文件大小:1048576
    • 提供者:weixin_38743235
  1. 1)2020C-一种硬盘故障预测的非监督对抗学习方法.pdf

  2. 领域:异常检测,深度学习 方法:非监督对抗学习 场景:硬盘故障检测 网络结构:基于LSTM自编码器与生成式对抗网络相结合 数据集:BackBlaze 采用非监督对抗学习的好处,由于训练阶段未用到异常样本(即正样本),模型不受样本不均衡的影响,很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测,不能很好的学习到自我监测分析报告数据长期稳定的变化趋势,使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生
  3. 所属分类:互联网

    • 发布日期:2020-10-16
    • 文件大小:881664
    • 提供者:qq_16488989
  1. 基于扩展熵的新型非监督特征选择方法

  2. 特征选择技术旨在发现原始特征的相关特征子集,从而可以促进聚类,分类和检索。 它是模式识别和机器学习中的重要研究课题。 Feature.selection主要分为两类,即监督方法和非监督方法。 目前的研究主要集中在有监督的研究上。 由于没有可用的标签信息,因此很少有人开发过无监督的功能选择方法。 另一方面,很难评估所选功能。 提出了一种基于扩展熵的无监督特征选择方法。 基于扩展熵的信息损失用于度量特征之间的相关性。 该方法确保了所选特征既具有大的个体信息又具有很少的具有所选特征的冗余信息。 最后,
  3. 所属分类:其它

    • 发布日期:2021-03-13
    • 文件大小:314368
    • 提供者:weixin_38500944
  1. 蒙特利尔本地电视频道YapAiTek分配:蒙特利尔本地电视频道数据集的监督学习模型-源码

  2. 蒙特利尔本地电视频道YapAiTek分配 该项目是Montral Local TV Channels数据集的回归监督学习方法。 我们的目标是根据训练数据集开发一个预测下一个赛季的市场份额总数的模型。 对于预处理,首先我们必须找到空值并将其删除。 其次,我们需要分解具有非数字值的列,以便找到Market Share_total与其他列之间的相关性并将它们用于预测。 对于预测,我们应用LinearRegression,Lasso,Ridge,DecisionTreeRegressor,RandomF
  3. 所属分类:其它

    • 发布日期:2021-02-22
    • 文件大小:1048576
    • 提供者:weixin_42110070
  1. Support-Vector-Machine-_with_python:在此笔记本中,我们介绍了Support Vector Machine(SVM)算法,这是一种功能强大但简单的监督学习方法,用于预测数据。 对于分类任务,SVM算法尝试将

  2. 支持向量机_with_python 在本笔记本中,我们介绍了支持向量机(SVM)算法,这是一种功能强大但简单的监督学习方法,用于预测数据。 对于分类任务,SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下,这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归,构造了超平面以映射数据分布。 在这两种情况下,这些超平面均以非概率方式映射线性结构。 但是,通过采用内核技巧,我们可以将非线性数据集转换为线性数据集,从而使SVM可以应用于非线性问题。 SVM是功能强大的算法,已得到
  3. 所属分类:其它

    • 发布日期:2021-02-16
    • 文件大小:86016
    • 提供者:weixin_42100971
  1. (CVPR'20 Oral)从野外图像中可能对称的可变形3D对象的非监督学习- elliott twu/unsup3d-源码

  2. Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild | | | , , , Visual Geometry Group, University of Oxford. In CVPR 2020 (Best Paper Award). We propose a method to learn weakly symmetric deformable 3D object
  3. 所属分类:其它

    • 发布日期:2021-01-27
    • 文件大小:2097152
    • 提供者:weixin_38739942
  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
« 12 3 4 5 6 7 8 9 10 »