当前位置：
首页 资源下载
搜索资源 - probabilistic principal component analysis
搜索资源列表
-
0下载：
Probabilistic Principal Components Analysis. [VAR, U, LAMBDA] = PPCA(X, PPCA_DIM) computes the principal
％ component subspace U of dimension PPCA_DIM using a centred covariance
matrix X. The variable VAR contains the off-subspace variance (which
-
-
1下载：
这是一个MATLAB工具箱包括32个降维程序，主要包括 pca,lda,MDS等十几个程序包，对于图像处理非常具有参考价值- ，This Matlab toolbox implements 32 techniques for dimensionality reduction. These techniques are all available through the COMPUTE_MAPPING function or trhough the GUI. The following techn
-
-
0下载：
Probabilistic Principal Component Analysis
– Latent variable models
– Probabilistic PCA
• Formulation of PCA model
• Maximum likelihood estimation
– Closed form solution
– EM algorithm
» EM Algorithms for regular PCA
-
-
0下载：
用于主成分分析和概率主成分分析的Matlab程序-Used principal component analysis and probabilistic principal component analysis Matlab program
-
-
0下载：
主成分分析法与概率神经网络在模拟电路故障诊断中的应用-Principal component analysis and probabilistic neural network in analog circuit fault diagnosis
-
-
2下载：
Matlab针对各种数据预处理的降维方法，源码集合。-Currently, the Matlab Toolbox for Dimensionality Reduction contains the following techniques:
Principal Component Analysis (PCA)
Probabilistic PCA
Factor Analysis (FA)
Sammon mapping
Lin
-
-
0下载：
Probabilistic Principal component analysis matalb
-
-
0下载：
应用主成分分析对数据降维，将得到的数据用于概率神经网络训练，进行模式识别。对于一组新数据，先计算主成分得分，再输入训练好的概率神经网络，就会得到识别结果，即改组数据属于何种类别。-Principal component analysis of the data reduction, data will be obtained for the probabilistic neural network training, pattern recognition. For a new set of d
-
-
0下载：
用于降维的matlab工具包，包括PCA，LDA，LLE，等-Matlab Toolbox for Dimensionality Reduction
Principal Component Analysis (PCA)
Probabilistic PCA
Factor Analysis (FA)
Classical multidimensional scaling (MDS)
Sammon mapping
Linear Discriminant Analysis (LDA
-
-
0下载：
态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于
-
-
0下载：
为了真实有效地提取网络安全态势要素信息，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中，根据Agent节点功能的不同，划分为不同的层次。利用主成分分析(Principal Component Analysis, PCA)对训练样本属性进行约简并对特殊属性编码融合处理，按照处理结果改进概率神经网络(Probabilistic Neural Network, PNN)结构，以降低系统复杂度。然后以改进的PNN作为基分类器，结合自适应增强算法，通过基分类器反
-
