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. 多用户MIMO_OFDM系统中的资源分配

  2. 该文针对多用户MIMO-OFDM系统，基于最大化信号与干扰加噪声比(Signal-to Jamming and Noise Ratio，SJNR)预编码，提出了实用的自适应资源分配方法。根据各用户SJNR值，提出采用递增(Incremental Algorithm，IA)和递减(Decremental Algorithm，DA)两种方法为各子载波选择用户集合，使各子载波被多个用户 最优复用，实现多用户分集，以达到最大化系统吞吐量的目的。此外，基于DA思想，给出了考虑不同用户QoS要 求下分配子

  3. 所属分类：电信

    • 发布日期：2011-04-19
    • 文件大小：769024
    • 提供者：haozhaojinghao

  1. Classification matlab code - Quadratic Discriminant Analysis

  2. Classification matlab code - Quadratic Discriminant Analysis

  3. 所属分类：教育

    • 发布日期：2014-04-01
    • 文件大小：1024
    • 提供者：ireneli17908

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. learning_from_data-master.zip

  2. 基于MATLAB语言的LDA和QDA算法过程编写，可作为了解学习基本分类算法的源码资料

  3. 所属分类：机器学习

    • 发布日期：2019-09-16
    • 文件大小：317440
    • 提供者：litewei

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. machine-learning:只是机器学习-源码

  2. 机器学习 用软体来简化做机器学习的过程 目前功能 运算 能够快速的使用逻辑回归（逻辑回归），SVM（支持向量机）来快速进行模型训练，不必与程序码进行交互。 输入资料 输出资料 型号（重量） ROC曲线 roc截止点值 预测结果（可加） 未来可加入选项 知识网络 LDA QDA 其他..... 参数说明 逻辑回归 运行内核：L-BFGS MaxIter最大迭代次数 最大迭代次数 λ（λ） 通过乘以正则项的值来调整其总体影响。 鼓励权重值接近0（但不完全是0） 鼓励权重的平均值接近0，

  3. 所属分类：其它

    • 发布日期：2021-03-26
    • 文件大小：2097152
    • 提供者：weixin_42139042

  1. 使用基于QPSO的域自适应内核ELM对电子鼻进行漂移补偿

  2. 在这项工作中，提出了一种新颖的用于电子鼻（E-nose）漂移补偿和分类的理论框架，称为基于QPSO的域自适应内核极限学习机（QDA-KELM）。 核方法与领域自适应极限学习机（DAELM）相结合，消除了电子鼻中的漂移并提高了分类性能。 群智能算法用于模型参数的优化。 为了评估我们方法的性能，使用了三种类型的通用内核来形成复合内核功能。 此外，将ELM和DAELM与提出的方法进行了比较。 最后，我们还应用了方差分析（ANOVA）来证明我们的结果明显优于对照方法。

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：193536
    • 提供者：weixin_38713039

  1. 基于新型QPSO-KELM模型的电子鼻性能增强

  2. 提出了一种基于电子鼻（E-nose）技术的多分类细菌检测新方法，称为基于量子行为粒子群优化的核极限学习机（QPSO-KELM）。 在该实验中，从用于检测四种不同类型伤口（未感染和感染金黄色葡萄球菌，大肠杆菌和铜绿假单胞菌）的E鼻信号中提取出时域和频域特征。 此外，将KELM与现有的五种分类方法进行了比较：线性判别分析（LDA），二次判别分析（QDA），极限学习机（ELM），k最近邻（KNN）和支持向量机（SVM）。 同时，讨论了粒子群优化算法（PSO），遗传算法（GA）和网格搜索算法（GS）三种

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：1048576
    • 提供者：weixin_38592502

  1. 机器学习和数据科学：机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K -折数，偏差与方差，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-M

  2. 机器学习与数据科学 机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K折，偏差与方差） ，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-Means，分层）本课程将介绍数据挖掘/统计学习的主要主题，包括：统计基础，数据可视化，分类，回归，聚类。 重点将放在统计学习方法，其背后的模型，直觉和假设以及对实际问题的应用上。 您可以在stats 415项目文件夹中找到我的最终项目。 项目总结 实施整个学

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：18874368
    • 提供者：weixin_42166261

  1. 机器学习和数据挖掘算法：机器学习算法Python [正在开发中]-源码

  2. 机器学习和数据挖掘算法 机器学习和数据挖掘算法的Python实现 分类算法 支持向量机 旋转森林 随机森林 PCA LDA 朴素贝叶斯 粒子群算法 QDA 决策树 知识网络 功能选择 随机森林 BPSO 包囊方法 装袋 艾达助推器 梯度提升 XG加速 堆码

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：9437184
    • 提供者：weixin_42102933

  1. snippets-QDA:阿尔古诺斯·库迪戈斯·乌拉索·阿里亚斯·德·迪亚托斯-源码

  2. 片段 阿尔古诺斯·库迪戈斯·乌拉索·阿里亚斯·德·迪亚托斯

  3. 所属分类：其它

    • 发布日期：2021-03-31
    • 文件大小：4096
    • 提供者：weixin_42153793

  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