搜索资源列表
Ex1
- 模式识别某次课程的作业，完成了高斯分布下的两种贝叶斯分类器,以及非参数的K近邻、Parzen窗方法，采用UCI机器学习数据库中的某些数据作为样本，使用交叉验证方法确定参数-Pattern recognition of a particular course work, completed under the two Gaussian Bayesian classifier, and the non-parametric K-nearest neighbor, Parzen window meth
onTextCategorization
- 本文比较研究了在中文文本分类中特征选取方法对分类效果的影响。考察了文档频率DF、信息增 益IG、互信息MI、V2分布CHI 四种不同的特征选取方法。采用支持向量机(SVM) 和KNN两种不同的分类 器以考察不同抽取方法的有效性。实验结果表明, 在英文文本分类中表现良好的特征抽取方法( IG、MI 和 CHI)在不加修正的情况下并不适合中文文本分类。文中从理论上分析了产生差异的原因, 并分析了可能的 矫正方法包括采用超大规模训练语料和采用组合的特征抽取方法。最后通过实验验证组合特征
RLS
- 仿真对象如下： 其中， v( k )为服从N (0,1) 分布的白噪声。输入信号u ( k) 采用M 序列，幅度为 1。M 序列由 9 级移位寄存器产生，x(i)=x(i-4)⊕x(i-9)。 选择如下辨识模型： 加权阵取Λ = I。 衰减因子β = 0.98，数据长度 L = 402。 辨识结果与理论值比较，基本相同。辨识结果可信 -he simulation object is as follows: among them, v (k) to obe
program-two
- 静态K-S检验下的copula 分布估计算法边缘分布的研究- Marginal distribution in copula estimation of distribution algorithm based static K-S test
knn
- K近邻（KNN）：分类算法KNN是non-parametric分类器（不做分布形式的假设，直接从数据估计概率密度），是memory-based learning KNN不适用于高维数据（curse of dimension）-K-Nearest Neighbor (KNN): Classification Algorithm. KNN is a non-parametric classifiers (not to assume that the distribution of forms, fr