搜索资源列表
Dominantset
- 一种 较新的聚类算法 Dominant-set 的代码，包括聚类算法的代码和测试代码。该算法最大特点 就是基于图理论的 ，相对于Normalized Cut,计算复杂度低很多，况且能自动决定类的个数
wordgame
- .从C到CLIPS 虽然CLIPS是用C语言编定出来的，但是事实上，它跟C语言完全完全是两码事。因为它们在思想上是 不同的。如果你想深入学习CLIPS，我建议你先去看看有关函数式语言（如LISP）的东西。在函数式 语言中，没有顺序跟循环（在命令式语言比如C中到处都是），只有递归还有一些其他的东西。可能 我们用C语言编程时老是想着怎么定义程序的输入，怎么样通过一个算法得到程序的输出。这是标准 的冯。诺依曼体系结构的扩展，它很大程度上改进了程序的执行效率，但从另一方面来说，
clip2
- .从C到CLIPS 虽然CLIPS是用C语言编定出来的，但是事实上，它跟C语言完全完全是两码事。因为它们在思想上是 不同的。如果你想深入学习CLIPS，我建议你先去看看有关函数式语言（如LISP）的东西。在函数式 语言中，没有顺序跟循环（在命令式语言比如C中到处都是），只有递归还有一些其他的东西。可能 我们用C语言编程时老是想着怎么定义程序的输入，怎么样通过一个算法得到程序的输出。这是标准 的冯。诺依曼体系结构的扩展，它很大程度上改进了程序的执行效率，但从另一方面来说，
g051_weiqi
- 人工智能在围棋程序中的应用-- 本文介绍了人工智能在围棋程序中的应用与发展，对比了围棋与国际象棋博弈算法的差别和复杂度，从而分析围棋算法的难点，讨论各种博弈算法（气位理论、模式匹配与博弈树）在围棋程序中的融合运用。并给出了围棋死活程序的算法。
NaiveBayes
- 贝叶斯算法是基于贝叶斯定理 P(H|X) = P(X|H)P(H) / P(X).。对于多属性的数据集，计算 P(X|Ci) 的开销非常大，为减低计算复杂度，我们做条件独立的假设，即给定元组的类标号，假定属性值有条件地相互独立，即在属性间不存在依赖关系。此程序仅为算法的一个实现，根据训练数据训练分类器
fastapriori
- FAST apriori.cpp 基于数组和为运算的apriori算法实现,采用为运算来测试子集的存在性，把测试子集存在性的复杂度由O(n^2)降低为O(n)
K－均值聚类算法C++编程
- K-均值聚类算法的编程实现。包括逐点聚类和批处理聚类。K－均值聚类的的时间复杂度是n*k*m，其中n为样本数，k为类别数，m为样本维数。这个时间复杂度是相当客观的。因为如果用每秒10亿次的计算机对50个样本采用穷举法分两类，寻找最优，列举一遍约66.7天，分成3类，则要约3500万年。针对算法局部最优的缺点，本人正在编制模拟退火程序进行改进。希望及早奉给大家，倾听高手教诲。-K-means clustering algorithm programming. Point by point, inc
k-means
- 基于K-means聚类算法的社团发现方法 先定义了网络中节点关联度,并构建了节点关联度矩阵, 在此基础上给出了一种基于 K-means聚类算法的复杂网络社团发现方法。 以最小关联度原则选取新的聚类中心, 以最大关联度原则进行模式归类,直到所有的节点都划分完为止, 最后根据模块度来确定理想的社团数-K-means clustering algorithm based on the association discovery To define a network node cor
winep_code
- 这是一个典型的产生式系统的算法题.用的是有界深度优先的递归算法,是用C++Builder4.0写的.这也是人工智能或者程序设计竞赛题中最基本最常用的算法.如果自己动手编程实现了一个这样的题目,那么很多相关的题目也就都一样可以做了,比如"四皇后问题","推箱子问题","传教士和野人问题"等等。 利用深度优先的算法都是不一定能找到最优路径的,而且如果解路径过长的话还可能会搜索失败.如果保证要找到最优路径需要用另一些算法,比如宽度优先算法.无论是哪一种算法,如果问题稍微复杂一点的话,都要解决"
TSPandMTSP
- MTSP 问题其实与单 旅行商问题(Traveling Salesperson Problem ,简称TSP) 相似,但是由于添加了任何城市只要被某一旅行商访问到即可这个附加条 件,因而增加了问题复杂度。在以前使用遗传算法(GA) 研究解决MTSP 问题时,通常采用标准的TSP 染色体和处理方法。-M any app licat ions are invo lved w ith mult ip le salesmen each of w hom visits a subgroup c
spfa_algorithm_fengzee
- 最短路径 之 SPFA算法 作者:fengzee 日期:2008-02-15 SPFA——Shortest Path Faster Algorithm，它可以在O(kE)的时间复杂度内求出源点到其他所有点的最短路径，可以处理负边。SPFA的实现甚至比Dijkstra或者Bellman_Ford还要简单-The shortest path algorithm for the SPFA Author: fengzee Date :2008-02-15 SPFA- Shortest Path Fa
SLIQ
- 改进的 SLIQ 算法 能够有效地减少计算的复杂度，且算法不需要将所有属性的所有属性值的吉尼指数全部计 算，而是通过计算不同范围内的属性值就可以达到同样的效果。本文结合实际生活中的实 例，将该算法与原有 SLIQ 算法和基于人工神经网络的分类算法应用结果比较，实验结果 表明该算法的分类准确率远远高于 SLIQ 算法和基于人工神经网络的分类算法。-Improved SLIQ algorithm can effectively reduce the computational com
The_nonlinear_filtering_algorithm_performance_anal
- 对目前非线性滤波的主要算法即扩展卡尔曼滤波、不敏卡尔曼滤波、粒子滤波、扩展卡尔曼粒子滤波和不敏粒子滤波的滤波模型、适用条件、性能进行了分析比较，给出了每种方法的计算复杂度．通过一个非线性非高斯模型进行了仿真，验证了这些算法的性能。-Present the main algorithms of the nonlinear filtering extended Kalman filter, Unscented Kalman filter, particle filter, particle filt
Image_Feature_Selection_Method_Based_on_Immune_Enc
- 针对目标与背景两类图像模式识别问题,在已有的特征选择方法基础上,提出了一种新颖的基于免疫分子编码机理的图像特征选择方法(IACA). 该方法借鉴生物免疫系统的抗体分 子编码机理,在对样本进行参数估计情况下,提出熵度量单个特征对于目标和背景的识别敏感度 从集合的角度研究并且定义了特征之间的包含和互补关系 并且基于组成抗体分子氨基酸结合能量最小原则,提出了关于图像目标的免疫抗体构建规则 最终实现了寻找最优特征子集的算法IACA ,该特征子集的维数通过算法自动获得无需人为设定,选择结果为目标的“免
Max-and-Min
- 运用递归与分治策略同时找到一组数据的最大最小数,算法复杂度为n*logn-The use of recursive divide and conquer strategy with the same time find a set of minimum and maximum number of data, the algorithm complexity is n* logn
finds
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。-Implementation and optimization of find-s algorithm in machine lea
mnist
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。(Machine learning (Machine Learning, ML) is a multidisciplinary interdisciplinary field, involving many disciplines, such as p
机器学习实践指南代码及资源
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。(Machine Learning (ML) is a multi domain cross discipline, involving
Machine learning an algorithmic perspective
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能(Machine learning (Machine Learning ML) is an interdisciplinary subject, involving probability and statistics, approximation th
机器学习基础
- 机器学习英文版，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。(machine learning English edition)