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. 聚类算法的介绍，EM算法和K-means

  2. 这是一个有关于聚类算法的ppt讲义，里面有涉及到常见的EM算法和K平均值算法

  3. 所属分类：其它

    • 发布日期：2009-05-06
    • 文件大小：483328
    • 提供者：ywanghuan

  1. K-means聚类算法在入侵检测中的应用

  2. 提出了一种基于聚类分析方法构建入侵检测库的模型，实现了按K-平均值方法建立入侵检测库并据此划分安全等级的思想。该检测系统的建立不依赖于经验数据，能自动依据原有数据对入侵行为进行重新划分。仿真实验表明，该方法具有较强的实用性和自适应功能。 关键词：网络安全；入侵检测；数据挖掘；聚类分析；K-平均值

  3. 所属分类：网络安全

    • 发布日期：2009-06-26
    • 文件大小：179200
    • 提供者：liangjian820

  1. 有关K-mean的聚类算法

  2. k-means算法是一种基于样本间相似性度量的间接聚类方法。此算法以k为参数，把n 个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值来进行。此算法首先随机选择k个对象，每个对象代表一个聚类中心。对于其余的每一个对象，根据该对象与各聚类中心之间的距离，把它分配到与之最相似的聚类中。然后，计算每个聚类的新中心。重复上述过程，直到准则函数收敛。

  3. 所属分类：其它

    • 发布日期：2010-12-27
    • 文件大小：10240
    • 提供者：machiney

  1. 无线传感器网络k点连通可靠性的研究

  2. 本文是利用概率论统计的知识，来探讨WSN的容错问题和可靠性问题。 通过计算机仿真模拟试验,给出了网络的k ( k > 0) 连通度概率分布曲线;引入了连通度的数学期望概念来描述若干次抛撒所形成网络的连通度k 的平均值,给出了其随网络节点个数、节点通讯半径变化的回归方程;给出了无线传感器网络k 点连通概率曲线和3 点连通的经验公式;分析了边界节点对网络连通度的影响。这些对无线传感器网络节点个数和节点通讯半径的选择、系统冗余设计等都具有重要的指导意义或参考价值。

  3. 所属分类：其它

    • 发布日期：2011-07-01
    • 文件大小：2097152
    • 提供者：youbingyu

  1. 《模式识别》中K均值聚类的实现

  2. 用C++实现模式识别中K均值聚类。算法优点： 1、算法采用平均值初始化聚类中心，这样可以更加接近最后的结果，减少迭代次数。 2、算法采用精度为0.000001，使运行结果更为精确。 3、算法对其它数据适应良好。 4、算法复杂度为O(m*n*k)，m,n为数组的维数，k为迭代次数。 算法缺点： 算法没有采用动态的数据读取和数据存储，所以在数据量发生变化的时候需要手动更改程序。

  3. 所属分类：C/C++

    • 发布日期：2012-03-20
    • 文件大小：3072
    • 提供者：wangziying1008

  1. K最近邻算法在分类和预测中的应用

  2. K最近邻算法，应用及优缺点 k-NN的思想可以容易地用来预测连续值（和我们建立多元线性回归模型的目的一样），通过用k个近邻的平均值来简单的预测因变量。通常，这个均值是带有权重的，权重随着和需要做预测的点的距离的增加而减小。

  3. 所属分类：专业指导

    • 发布日期：2012-06-01
    • 文件大小：133120
    • 提供者：angelaxiaohan

  1. 数据挖掘Kmeans算法

  2. 数据挖掘算法报告，k-means算法即K平均值算法，包括流程图，有详细介绍

  3. 所属分类：数据库

    • 发布日期：2014-07-05
    • 文件大小：75776
    • 提供者：u010050556

  1. k-means算法详解

  2. 在网上看到了很关于10大算法的一些博客讲解，大多都支离破碎讲解的部分，而且不同的博客讲解的方式很多不同，我希望能重新整理这些基础算法，尽量更全面和深入一些，分享出来，共大家参考。 k-means 【3】算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。它是一种得到最广泛使用的基于划分的聚类算法，把n个对象分为k个簇，以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而

  3. 所属分类：其它

    • 发布日期：2015-01-02
    • 文件大小：1048576
    • 提供者：allanspark

  1. K近邻(K-Nearest Neighbors, KNN)回归算法(Python)

  2. K近邻(K-Nearest Neighbors, KNN)算法既可处理分类问题，也可处理回归问题，其中分类和回归的主要区别在于最后做预测时的决策方式不同。KNN做回归预测时一般采用平均法，预测结果为最近的K个样本数据的平均值。

  3. 所属分类：机器学习

    • 发布日期：2019-05-31
    • 文件大小：4096
    • 提供者：aioo11

  1. 潘三井田煤系地层岩石热导率参数特征及大地热流研究

  2. 煤系地层岩石热导率是计算大地热流值的主要参数,也是评价地层热量传导特性的重要依据。基于潘三煤矿煤系地层所测定的77块岩石样品的热导率数据,结合区内前人的研究成果,全面分析了井田内岩石热导率参数特征并计算出大地热流值。研究结果表明:井田内煤系地层岩石热导率变化范围为0. 491～4. 583W/(m·K),平均值为2. 64W/(m·K),砂岩的热导率普遍大于泥岩和煤;热导率和深度、密度均表现为正相关关系。井田内平均大地热流值为73. 14mW/m~2,略高于安徽省大地热流平均值,呈现出较高的地热

  3. 所属分类：其它

    • 发布日期：2020-04-19
    • 文件大小：1048576
    • 提供者：weixin_38679045

  1. 基于 K-means 聚类算法的图像区域分割.zip

  2. 基于 K-means 聚类算法的图像区域分割，首先从数据样本种选取K个点作为初始聚类中心，其次计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的累，计算新形成的每个聚类的数据对象的平均值来得到新的聚类中心，最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，说明样本调增结束，仿真代码亲测可用，有很高的参考价值

  3. 所属分类：深度学习

    • 发布日期：2020-04-10
    • 文件大小：30720
    • 提供者：qq_41782791

  1. 用B 0→（π+π-）（K +π-）衰减的幅度分析研究B 0→ρ（770）°K *（892）0衰减

  2. 在两体不变质量区域300 <m（π+π-）<1100 MeV / c 2中进行B 0→（π+π-）（K +π-）衰减的幅度分析，考虑了ρ 0，ω，f 0（500），f 0（980）和f 0（1370）共振，并且750 <m（K +π-）<1200 MeV / c 2，这主要由K *（892）决定 0介子。 该分析使用LHCb实验在质心能量为7和8 TeV时通过LHCb实验收集的3 fb-1质子-质子碰撞数据。 CP平均值和不对称度用于测量幅度的幅值和相位差。 向量矢量

  3. 所属分类：其它

    • 发布日期：2020-04-05
    • 文件大小：822272
    • 提供者：weixin_38690522

  1. ψ（3770）→D0D¯0中D→K-π+强相差的测量

  2. 我们使用通过BESIII检测器收集的2.92 fbâ1数据样本研究s = 3.773 GeV在e + e'碰撞中产生的D0DÂ0对。 我们测量了CP奇数和CP偶数本征态中DâKˆ +的分支分数的不对称AKÏCP为（12.7±1.3±0.7）×10×2。 AKÏCP可以用于提取双重Cabibbo抑制过程D′0âK∀+和Cabibbo有利过程D0âK∀+之间的强相差κK。 使用外部参数的世界平均值，我们获得cosKÏ= 1.02±0.11±0.06±0.01。 这里，第一和第二不确定性分别

  3. 所属分类：其它

    • 发布日期：2020-03-28
    • 文件大小：690176
    • 提供者：weixin_38549520

  1. K-medoids-master.zip

  2. k-means与k-medoids之间的差异就是可以理解为对于数据样本的平均值和中位数之间的差异：前者的取值范围可以是连续空间中的任意值，而后者的取值却只能是数据样本范围中的样本。上述代码是k-medoids的C++实现版本

  3. 所属分类：机器学习

  1. 对k-means初始聚类中心的优化.pdf

  2. 改文献针对传统k—means算法对初始聚类中心敏感的问题，提出了基于数据样本分布选取初始聚类中心的改进k．means算法。该算法利用贪心思想构建K个数据集合，集合的大小与数据的实际分布密切相关，集合中的数据彼此间相互靠近。取集合中数据的平均值作为初始聚类中心，由此得到的初始聚类中心非常接近迭代聚类算法期待的聚类中心。理论分析和实验结果表明，改进算法能改善其聚类性能，并能得到稳定的聚类结果，取得较高的分类准确率。

  3. 所属分类：算法与数据结构

    • 发布日期：2020-03-15
    • 文件大小：347136
    • 提供者：lffye

  1. 菊安酱的机器学习第1期-k-近邻算法（直播）.pdf

  2. k-近邻算法的课件。来自于菊安酱的机器学习实战12期的免费教程。内涵python源码。菊安酱的直播间: 我们已经知道k近邻算法的工作原理,根据特征比较,然后提取样本集中特征最相似数据(最近邻)的分类标签。 那么如何进行比较呢?比如表1中新出的电影,我们该如何判断他所属的电影类别呢?如图2所示。 电影分类 120 爱情片(1,101) 爱情片(12,97) 80 爱情片(5,89) 水弊 60 ?(24,67) 动作片(112,9 20 动作片(1158) 动作片(108,5) 0 20 60 8

  3. 所属分类：讲义

    • 发布日期：2019-07-27
    • 文件大小：867328
    • 提供者：qiu1440528444

  1. 两淮煤田煤系岩石热导率特征及其对地温场的影响

  2. 随着煤炭开采深度的增大,矿井高温问题日益突出,因此必须对矿区的地温场特征进行研究。基于安徽淮北和淮南煤田煤系所测定的127块岩石样品的热导率数据,结合区内前人的研究成果,全面报道两淮煤田岩石热导率参数及其特征,并分析热导率对现今地温场的影响。结果表明:两淮煤田煤系岩石热导率变化范围为0.37~4.36 W/(m·K),平均值为2.54 W/(m·K);热导率与岩性、埋藏深度、地层时代和密度等密切相关,砂岩的热导率普遍大于泥岩和煤,热导率和深度、密度均表现为正相关关系;岩石导热性的差异对区内地温场

  3. 所属分类：其它

    • 发布日期：2020-05-28
    • 文件大小：914432
    • 提供者：weixin_38502290

  1. 用python实现k近邻算法的示例代码

  2. K近邻算法（或简称kNN）是易于理解和实现的算法，而且是你解决问题的强大工具。 什么是kNN kNN算法的模型就是整个训练数据集。当需要对一个未知数据实例进行预测时，kNN算法会在训练数据集中搜寻k个最相似实例。对k个最相似实例的属性进行归纳，将其作为对未知实例的预测。 相似性度量依赖于数据类型。对于实数，可以使用欧式距离来计算。其他类型的数据，如分类数据或二进制数据，可以用汉明距离。 对于回归问题，会返回k个最相似实例属性的平均值。对于分类问题，会返回k个最相似实例属性出现最多的属性。 k

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：62464
    • 提供者：weixin_38695159

  1. 量身定制的：针对k-drama a la netflix的众包推荐算法-源码

  2. 该网站尚未正确命名。 目前，该网站将被称为“量身定制”。 我尝试为Netflix的K-dramas实现众包推荐算法。 用户将帮助通过网站创建节目的个人资料。 他们将被要求选择适用于电视剧的关键字，并在多个类别中将电视剧的评分从0到10。 他们还将指出他们是否喜欢该节目，因此，是否应在创建用户个人资料时使用该节目。 这些提交的内容将被平均，并且随着用户数量的增加和提交的增加，每个戏剧配置文件的准确性也会提高。 诚然，这种实现是相当缓慢的。 正在进行不计其数SQL查询，包括修改用户配置文件，

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：46080
    • 提供者：weixin_42113380

  1. K折交叉验证：传统的求准确度的方法是将整个数据分为训练集和测试集，并根据测试数据计算出准确度，但这并不是最佳方法，因此我们采用K折交叉验证是许多精度的平均值，并且它还提供了精度的标准偏差，这是评估模型的良好指标-源码

  2. K折交叉验证：传统的求准确度的方法是将整个数据分为训练集和测试集，并根据测试数据计算出准确度，但这并不是最佳方法，因此我们采用K折交叉验证是许多精度的平均值，并且它还提供了精度的标准偏差，这是评估模型的良好指标

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：2048
    • 提供者：weixin_42127835
« 12 3 4 5 6 7 8 9 10 »