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）
Least-Squares-Ellipse-Fit
- MATLAB实现的一种基于最小二乘的椭圆拟合直接算法源代码.附件中的源代码是matlab编写的，实现一种对于椭圆的稳定的数据拟合算法。当然必须要提供至少5个点的数据，椭圆x，y轴的中心点，最大轴最小轴
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
kMedoids.rar k-中心聚类算法的matlab实现
- k-中心聚类算法的matlab实现。直接读取文档数据，没有维限制。,k-Medoids clustering algorithm matlab implementation. Document data read directly, there is no dimension restrictions.
SpectrumDetectionBasedOnSNR
- 融合中心进行SNR比较的协作频谱检测算法仿真程序-SpectrumD etection Based On Central SNR Comparison
MUSIC
- 目标相对各子阵中心的方位角和俯仰角，在后面为了验证程序正确与否，只用了第一阵 即第一列数据进行计算，是四元十字阵-Goal of the relative center of the subarray azimuth and pitch angle, in the back of the verification process in order to correct or not, only the first burst of the first column of data that
C-means
- 使用c-均值聚类算法在IRIS数据上进行聚类分析，随机选择三个初始聚类中心，经过多次迭代，最终将150个样本分为三类。-Use c-means clustering algorithm in the IRIS data on the cluster analysis, three randomly chosen initial cluster centers, through a series of iterative, 150 samples will eventually fall into
wideFocus
- 宽带聚焦的目的是通过一个聚焦变换矩阵，使得对应于不同频段的数据变换成同一个中心频率的数据，从而形成相关矩阵。这里的关键就在于聚焦矩阵的选取，不同的选择对应于不同的算法。-Focus on the purpose of broadband are focused through a transformation matrix which corresponds to a different band with the data converted into a center frequency o
hht
- 三种实现方式，采用MATLAB编程语言，一种是法国研究者设计的G Rilling 2007 另一种是MATLAB文件交换中心由Alan Tan开发的plot_hht程序包，第三种是台湾中央大学数据研究中心提供的EEMD包。 其中，我使用了plot_hht程序包，其使用了三个终止条件，驻留分量的单调性，极值点与零点的个数相差不超过1，还有黄锷1998经典文献提出的 SD>0.1，单调性的判断，并不是去判定驻留分量是否是单调函数，而是当曲线是双曲线时，循环结束，由
Cjulei
- 利用模糊c—均值聚类方法将data 数据向量；3表示分成三类；center表示分类中心-Using fuzzy c-means clustering method to the data vector data 3 that is divided into three categories center said the classification center
qpso
- k-中心与qpso算法的结合，从文档中读取对象数据，没有维限制。需要设定类别数，先由k-中心计算出各类中心，然后由qpso优化，得到聚类结果，并保存聚类信息。-algorithm for k-medians and qpso combination of object data read from the document, there is no dimension restrictions. Need to set the number of categories, first calcul
rbf_atrifical_neual_networks
- ① 样本数据从MATLAB命令窗口或新建一M文件作为数据输入文件，样本输入变量名为samin,样本输出变量名samout 样本个数和每个样本的维数可任意，样本输出的个数与样本个数应一致，即保证每个样本都对应一个期望输出，但每个输出的维数不要求与输入的维数相同，可任意； ② 聚类中心的个数（即基函数的个数）可根据实际情况调整；同样可调整参数的还有重叠系数、聚类中心最大更新次数、聚类中心更新终止误差； ③ 训练结束后进行测试时，要求输入的测试数据与样本具有相同的维数，测试数据的个数可任意；
weixingzhuanfaqi
- 仿真一个从卫星到区域数据中心的下行链路（由一组6个载波构成），评估热噪声，交调（IM）失真、由滤波器引起的码间干扰（ISI）以及临频干扰对下行链路性能的影响。-Simulation of a regional data center from the satellite to the downlink (from a group of six carrier composition) to assess the thermal noise, intermodulation (IM) distor
feisher
- PCA的步骤： 1 先将数据中心化； 2 求得的协方差矩阵； 3 求出协方差矩阵的特征值与特征向量； 4 将特征值与特征向量进行排序； 5 根据要降维的维数d’,求得要降维的投影方向； 6 求出降维后的数据； -PCA steps: 1 of the first data center 2 covariance matrix obtained 3 obtained covariance matrix eigenvalues and eigenvectors 4
aroticalpulsewaveprograme
- 这是关于中心大动脉与外围动脉如桡动脉，股动脉的临床医学数据，用这些数据进行盲辨识与估计-This is the main artery on the central and peripheral arteries such as the radial artery, femoral artery of the clinical data, using these data for Blind Identification and Estimation
k_means
- 首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。-First, a data object from the n choose k objects as in
identification
- 说明线性和非线性数据中心的建模方法，区别线性和非线性数据-Note the linear and nonlinear modeling of data centers, different linear and nonlinear data
kmeans
- k-means 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。-K-means algorithm accept parameter k Then will the n of prior input data object is divided into k clustering to make won clu
k-means
- K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。-K-means algorithm is based on the division of the classic clustering method, is ten classic one of data mining algorithm. K-means the
eemd
- 对于各类时序信号，进行加入白噪声的eemd信号分解，此eemd为中央大学数据中心版本，亲测有效。有参数说明(For all kinds of time series signals, the EEMD signal is decomposed with white noise. Parameter descr iption)