搜索资源列表
pujulei
- 谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。 该算法首先根据给定的样本数据集定义一个描述成对数据点相似度的亲合矩阵,并且计算矩阵的特征值和特征向量 ， 然后选择合适 的特征向量聚类不同的数据点。谱聚类算法最初用于计算机视觉 、VLS I 设计等领域， 最近才开始用于机器学习中，并迅速成为国际上机器学习领域的研究热点。-Spectral clustering algorithm based on the spectrum b
PageRank_M
- 实现基本的pagerank算法，从文件中读取数据生成矩阵进行计算-Pagerank algorithm to achieve
Congressional-voting-similarity
- 用相似性矩阵计算出有相似投票倾向的议员，同时预测其党派倾向-Congressional voting similarity
54198006
- 幂法与反幂法求解矩阵特征值的C语言算法实现 本代码以Hilbert矩阵为计算对象,单纯运用C语言进行矩阵的操作以实现幂法与反()
joqim328
- 矩阵计算库,经改编过的,可以扩充,可读性很好,()
Rtfactorindunion
- 微波转移矩阵分析程序,包含分析频率,输入驻波比,插入衰减和相移的计算()
viohz6
- 这是本人编写的有关矩阵数值计算的几个C语言程序,方便大家学习<矩阵计算方法>!()
15082012
- 求解矩阵的最大最小特征值及对应的特征向量,以及计算条件数()
ELM_样例
- 极限学习机（Extreme Learning Machine, ELM）用来训练单隐藏层前馈神经网络（SLFN）与传统的SLFN训练算法不同，极限学习机随机选取输入层权重和隐藏层偏置，输出层权重通过激活函数函数，依据Moore-Penrose（MP）广义逆矩阵理论计算解析求出。(Extreme learning machine (ELM) is used to train single hidden layer feedforward neural network (SLFN). Differe
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算