搜索资源列表
JPDA
- 统的联合概率数据关联算法(IPDA)是在密集杂波环境下的一种良好的多目标跟踪算法， 但它是针对单传感嚣对多目标跟踪的情况下使用，不能直接用于多传感器对多目标的跟踪。针对这 一问题，文中提出了一种适用于多传感器多目标跟踪的JPDA算法，它以极大似然估计完成对来自 多传感器的测量集合进行同源最优分划，然后采用JPDA方法对多目标进行跟踪。经过理论分析和 仿真试验，证明了该方法能有效地进行多传感器多目标的跟踪，且具有算法简单、跟踪精度高、附 加的计算量小等优点。-Abstract)
stockprediction
- 基于灰色神经网络的股指预测方法研究，使用灰色关联分析和神经网络结合对股票价格进行预测-Index based on gray neural network prediction method, using the gray relational analysis and neural networks to predict the stock price
hsll
- 有关灰色系统理论及其应用的详细的原理介绍及具体的matlab代码实现，很适合初学者使用，及有关工程人员参考；其中包括了灰色系统概论、数据变换技术和关联分析、优势分析、累加生成数、累减生成数、均值生成数、灰色模型GM及其白化型、灰色预测、灾变预测等；其中还包括了SARS 疫情对某些经济指标影响模型、道路交通事故灰色 Verhulst 预测模型、GM(2,1)和 DGM 模型等具体原理详解及附有详细matlab代码；很适合初学者使用，及有关工程人员参考。-About the gray system
apriori
- 机器学习算法，使用Apriori算法进行关联分析，频繁项集，关联规则-Machine learning algorithms, Apriori algorithm using correlation analysis, frequent itemsets, association rules
python-code-for-Machine-learning
- 用于机器学习的全方位python代码，包括K-近邻算法、决策树、朴素贝叶斯、Logistic 回归 、支持向量机、利用 AdaBoost 元算法提高分类性能、预测数值型数据：回归、树回归、利用 K-均值聚类算法对未标注数据分组、使用 Apriori 算法进行关联分析、使用 FP-growth 算法来高效分析频繁项集、利用 PCA 来简化数据、利用 SVD 简化数据、大数据与 MapReduce-The full range of python code for machine learning
2
- 设计模式之禅.epub 全书共分为四部分，第一部分从原理的角度阐述了面向对象程序设计的3大原则；第二部生动地讲解和剖析了23种常见的设计模式，并进行了扩展，通俗易懂，趣味性极强而又紧扣模式的核心；第三部分对各种相关联的设计模式进行了深入分析和比较，旨在阐明各种设计模式比较理想的应用场景和它们之间的区别；第四部分探讨了设计模式的混编，讲解了如何在实际开发中将各种设计模式混合起来使用，以发挥设计模式的最大效用(Zen Design Model.Epub book is divided into fo
4
- 设计模式.epub 全书共分为四部分，第一部分从原理的角度阐述了面向对象程序设计的3大原则；第二部生动地讲解和剖析了21种常见的设计模式，并进行了扩展，通俗易懂，趣味性极强而又紧扣模式的核心；第三部分对各种相关联的设计模式进行了深入分析和比较，旨在阐明各种设计模式比较理想的应用场景和它们之间的区别；第四部分探讨了设计模式的混编，讲解了如何在实际开发中将各种设计模式混合起来使用，以发挥设计模式的最大效用(.epub design pattern of the book is divided int
5
- 设计模式.epub 全书共分为四部分，第一部分从原理的角度阐述了面向对象程序设计的3大原则；第二部生动地讲解和剖析了22种常见的设计模式，并进行了扩展，通俗易懂，趣味性极强而又紧扣模式的核心；第三部分对各种相关联的设计模式进行了深入分析和比较，旨在阐明各种设计模式比较理想的应用场景和它们之间的区别；第四部分探讨了设计模式的混编，讲解了如何在实际开发中将各种设计模式混合起来使用，以发挥设计模式的最大效用(epub design pattern of the book is divided into
apriori
- 收集数据：使用任何方法 准备数据：任意数据类型都可以，因为我们只保存集合 分析数据：使用任何方法 训练算法：使用Apriori算法来找到频繁项集 测试算法：不需要测试过程 使用算法：用于发现频繁项集以及物品之间的关联规则 使用Apriori算法，首先计算出单个元素的支持度，然后选出单个元素置信度大于我们要求的数值，比如0.5或是0.7等。然后增加单个元素组合的个数，只要组合项的支持度大于我们要求的数值就把它加到我们的频繁项集中，依次递归。 然后根据计算的支持度选出来的频繁项集来