搜索资源列表
源文件.rar
- 二: 普通计算器的设计说明: 1 普通计算器的主要功能(普通计算与逆波兰计算): 1.1主要功能: 包括 a普通加减乘除运算及带括号的运算 b各类三角与反三角运算（可实现角度与弧度的切换） c逻辑运算， d阶乘与分解质因数等 e各种复杂物理常数的记忆功能 f对运算过程的中间变量及上一次运算结果的储存. G 定积分计算器（只要输入表达式以及上下限就能将积分结果输出） H 可编程计算器（只要输入带变量的表达式后，再输入相应的
matlab作业
- 模式识别一份很好的作业,包括线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征,支持向量机-a very good operation, including linear classification; Minimum risk Bayesian classifier; Supervised learning method Hierarchical clustering analysis; K-L transform effective features, supp
模拟退火例子1
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子2
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子3
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
shellsort111
- 附有本人超级详细解释（看不懂的面壁十天！） 一、 实际问题: 希尔排序(Shell Sort)是插入排序的一种。因D．L．Shell于1959年提出而得名。它又称“缩小增量分类法”，在时间效率上比插入、比较、冒泡等排序算法有了较大改进。能对无序序列按一定规律进行排序。 二、数学模型: 先取一个小于n的整数d1作为第一个增量，把文件的全部记录分成d1个组。所有距离为dl的倍数的记录放在同一个组中。先在各组内进行直接插人排序；然后，取第二个增量d2<d1重复上述的分组和
K-L_face_rec
- 这是基于k-l分类方法的人脸模式识别的源代码实现-This is based on the k-l Classification of pattern recognition Face the source code to achieve
K-L
- 模式向量维数太大，无法进行模式识别,降维 -k-l
K-L
- 基于K-L算法的人脸识别matlab程序代码-KL-based face recognition algorithm matlab code
KL2
- 本程序利用K-L变换已经K-L变换的最优压缩，建立分类器，并选择投影方向，画出投影过后的效果-This procedure has been the use of KL transform KL transform optimal compression, the establishment of classifier, and choose the direction of projection, drawn after the effect of projection
K-LjiaLDA
- K-L+LDA结合了K-L和LDA优点的一个算法-K-L+ LDA combination of KL and the advantages of an algorithm for LDA
getZNparam
- PID控制算法中，根据一节延迟传递函数的放大倍数K、延迟时间L和时间常数T，获得PID中比例环节、微分环节和积分环节的参数-PID control algorithm, according to a delay in the transfer function of magnification K, the delay time L and time constant T, to obtain the proportion of PID in the link, differential and
work_for_pattern_recognition
- 通过设计线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征，设计支持向量机对给定样本进行有效分类并分析结果。-By designing a linear classifier minimum risk Bayes classifier supervised learning method hierarchical cluster analysis K-L transform to extract efficient features, designed to
KL100
- K-L特征压缩器的原理是利用K-L变换的优良性质,即K-L变换可消除原向量各分量间的相关性。-KL compressor characteristic is the use of KL transform the principle of good nature, that the original vector of KL Transform to eliminate the correlation between the various components.
moja_PVA_normiran_KNN_koncan
- PCA with K-nn classifier(for pictures)
LDA_KNN
- 对随机选择的iris数据，用LDA进行特征提取，然后用K近邻分类器分类的完整程序-Feature extraction using LDA,and perform classification via KNN
k_means
- k means techniques de classification non supervisée (clustering) les plus utilisées. Etant donné un entier K, K-means partitionne les données en K groupes, ou "clusters", ou "classes" ne se chevauchant pas. Ce résultat est obtenu en positionnant
Apriori
- Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。 - （1） L1 = find_frequent_1-itemsets(D) （2） for (k=2 Lk-1 ≠Φ k++) { （3） Ck = apriori_gen(Lk-1 ,min_sup) （4） for each transaction t ∈ D
K-L-change
- 不考虑类别信息对整个样本集进行K-L变换 利用类平均向量提取判别信息-Does not consider the category information for the entire sample set KL transform the use of mean vector to extract discriminant information
K-Means
- implémentation de l algorithme kmeans