搜索资源列表
MyKmeans
- 实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中去，使得类内对象之间的相似性最大，而类之间的相似性最小。 缺点：产生类的大小相差不会很大，对于脏数据很敏感。 改进的算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）
SortedSet
- 本程序用VC++完成 定义类模板SortedSet （包括方法的实现） ，即元素有序的集合，集合元素的类型和集合元素的最大个数可由使用者确定。要 求该类模板对外提供以下三种操作： insert：加入一个新的元素到合适的位置上，并保证集合元素的值不重复； get：返回比给定值大的最小元素的地址。若不存在，返回-1； del：删除与给定值相等的那个元素，并保持剩余元素的有序性。-the completion of procedures with VC SortedSet clas
migong
- 迷宫问题 任务：可以输入一个任意大小的迷宫数据，用非递归的方法求出一条走出迷宫的路径，并将路径输出； 要求： 在上交资料中请写明：存储结构、基本算法（可以使用程序流程图）、源程序、测试数据和结果、算法的时间复杂度、另外可以提出算法的改进方法； [问题描述] 走迷宫是实验心理学中一个古典问题。用计算机解迷宫路径的程序，就是仿照人走迷宫而设计的，也是对盲人走路的一个机械模仿。 [实现提示] 假设迷宫是一个矩形，我们把它分成许多小方格，在每个小方格上或者已筑成墙或者没有，这
k_medoids
- 聚类算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）中，顺序选取一个Or，计算用Or代替Oi后的消耗—E（Or）。选择E最小的那个Or来代替Oi。这样K个medoids就改变了，下面就再转到2。 4，这样循环直到K个medoids固定下
支持向量机算法及其代码实现
- 支持向量机（SVM），起初由vapnik提出时，是作为寻求最优（在一定程度上）二分类器的一种技术。後来它又被拓展到回归和聚类应用。SVM是一种基于核函数的方法，它通过某些核函数把特征向量映射到高维空间，然後建立一个线性判别函数（或者说是一个高维空间中的能够区分训练数据的最优超平面，参考异或那个经典例子）。假如SVM没有明确定义核函数，高维空间中任意两点距离就需要定义。
k
- 模式识别中的K均值聚类分析方法，该方法力偶那个迭代过程来进行处理，一步步逼近结果-Pattern Recognition Analysis of K-means clustering method Couple iterative process to deal with that, step by step approach results
FINALTEST
- 参考作物蒸散量计算公式，FAO国际农粮组织推荐的那个方法-ET0
@kde
- 把那个软件包解压缩，添加到matlab路径下，运行@kde\mex\makemex.m，然后就可以调用kde函数创建核密度估计类对象，调用类对象的各种“方法”实现核密度估计、画图等-Next, running @ kde \ mex \ makemex. then can be called kde function creates kernel density estimation class object, the call of the object of "method" realiz
JOSEPHUS
- 约瑟夫环问题的实际场景。已知n个人围坐在圆桌周围，从编号k的人开始报数，数到m的那个人出列，依次下去，直至全部出列。采用的解决方法是典型的循环链表的数据结构。-Josephus actual scene. Given n people sitting around the round table, starting from the number k reported number, the number to m the man out of the line, and go on, unti
KNN
- K最邻近密度估计技术是一种分类方法，不是聚类方法。 不是最优方法，实践中比较流行。 通俗但不一定易懂的规则是： 1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。 2.选出最小的前K数据个距离，这里用到选择排序法。 3.对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。(K nearest neighbor density estimation is a classification method, not a clustering metho
knn1
- K最邻近密度估计技术是一种分类方法，不是聚类方法。 不是最优方法，实践中比较流行。 通俗但不一定易懂的规则是： 1.计算待分类数据和不同类中每一个数据的距离（欧氏或马氏）。 2.选出最小的前K数据个距离，这里用到选择排序法。 3.对比这前K个距离，找出K个数据中包含最多的是那个类的数据，即为待分类数据所在的类。(K nearest neighbor density estimation is a classification method, not a clustering metho
jd-gui
- 先尝试用最简单的想法去实现排序，以此来比较学习冒泡排序 问题：设有一数组，其大小为10个元素（int str[10]）数组内的数据是无序。现在要求我们通过编程将这个无序的数组变成一个从小到大排序的数组（从下标为0开始） 思路：按照题目的要求，毫无疑问，正确的结果应该就像这样： 1 2 3 4 5 6 7 8 9 10 要做到这样，最简单和最直接想到的方法就是进行对比交换。 首先，把10个数里最小的个数放到下标为0的位置上（str[0]） 通过将下标为0的数（str[0