注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. Foundations_of_Data_Science_March 2019.pdf

  2. 主要讲解未来40年都会有用的数据科学，如数据分析、机器学习、深度学习、数据挖掘等相关方面，最重要的基础理论。涉及高维空间、最佳拟合子空间和奇异值分解( SVD )、随机游走和马尔可夫链、机器学习、海量数据问题相关的算法：Streaming，Sketching，Sampling、聚类、Random Graph、主题模型、非负矩阵分解、隐马尔可夫模型和图形模型等12个主题。

  3. 所属分类：算法与数据结构

    • 发布日期：2019-03-25
    • 文件大小：2mb
    • 提供者：wzbyytm

  1. 矩阵论讲义合集.pdf

  2. 矩阵讲义合集，适合于复习以及各种专业考试，对大学老师也是一个讲义参考所以 即和相同,与假设相矛盾,故只有一个零元素 ②任一元素的负元素也是唯一的。假设∨∈,存在两个负元素和,则根据负 元律有 十 十十 十 零元律 结合律 零元律 即和相同,枚负元素唯一。 ()①:设 则 故 恒等律 ②:设 则+ 故 线性相关性 线性空间中相关性概念与线性代数中向量组线性相关性概念类似。 线性组合:V 十 称为元素组 的个线性组合 ·线性表示:中某个元素可表示为其中某个元素组的线性组合,则称可由该元素 组线性表示

  3. 所属分类：讲义

    • 发布日期：2019-10-12
    • 文件大小：1mb
    • 提供者：qq_28954187

  1. 保研线代复习.pdf

  2. 线性代数复习，保研用，课程考试复习请勿使用！未经允许请勿转载或用作商业用途！ 本次重新下调了下载积分。6.逆矩阵性质:(AA)=1/入+A(AB)2=BA2(A)=(A)21A=|A 7.伴随矩阵A:A中各元的代数余子式转置后组成的矩阵 性质: 1)A=|A|A(基本性质) 2) AA=AA=AJE 3)|A'|=|A|"- 4)(A)*=(A+)(A-)=(A) 5)(AB)”=B′A 6)(A+)*=|A-A 7)R(A)=n,则R(A)=n R(A)=n-1则R(A)=1 R(A)(E

  3. 所属分类：讲义

    • 发布日期：2019-10-05
    • 文件大小：658kb
    • 提供者：qq_38633884

  1. 基于非因子化稀疏表示和误差矩阵估计的高光谱图像融合

  2. 具有非负约束的矩阵分解在高光谱图像融合中得到了广泛的应用。 尽管如此，对稀疏系数的非负限制限制了字典表示的效率。 针对这一问题，提出了一种基于非分解稀疏表示和误差矩阵估计的高光谱图像融合方法，用于同一场景下遥感高空间多波段图像与低空间高光谱图像的融合。 首先，专门采用一种有效的频谱字典学习方法来构建频谱字典，避免了矩阵分解的过程。 然后，使用非负约束的乘法器交替方向方法（ADMM）估计高空间多波段图像相对于学习的光谱字典的稀疏代码。 为了提高最终融合结果的质量，还提出了一种误差矩阵估计方法，该方

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：628kb
    • 提供者：weixin_38611230

  1. 基于非因子化稀疏表示和字典学习的高光谱图像超分辨率

  2. 非负矩阵分解是超光谱图像超分辨率的最典型模型。 但是，对系数的非负限制限制了字典表达的效率。 面对这一问题，提出了一种基于非因式稀疏表示和字典学习的高光谱图像超分辨率方法（称为NFSRDL）。 首先，在相同或相似区域中使用一些低空间分辨率的高光谱图像，专门采用一种有效的光谱字典学习方法来构建光谱字典。 然后，使用非负约束的乘法器交替方向方法（ADMM）估计高分辨率多带图像相对于学习的频谱字典的稀疏代码。 在不同数据集上的实验结果表明，与相关的最新技术相比，我们的方法可以在同一场景中改善PSNR超

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：320kb
    • 提供者：weixin_38526823

  1. 基于改进的频繁项集的短文本特征扩展

  2. 提出了一种基于改进的频繁词集的短文本特征扩展算法。 通过计算支持度和置信度，可以提取频繁术语集的相同类别趋势。 定义了基于相关的频繁术语集，以进一步扩展术语集。 同时，将信息增益引入到传统的TF-IDF中，更好地表达了类别分布信息，并增强了每个类别的单词权重。 提取所有具有外部关系的术语对，并扩展常用术语集。 最后，通过频繁词集构造词相似度矩阵，并采用对称非负矩阵分解技术扩展特征空间。 实验表明，构建的短文本模型可以提高短文本聚类的性能。

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：675kb
    • 提供者：weixin_38515573

  1. 空间相关的非负矩阵分解

  2. 矩阵的低秩逼近经常被用于信息处理任务中，并且近年来，非负矩阵因式分解（NMF）的直接解释性和出色的性能引起了人们的广泛关注。 当应用于图像处理时，普通NMF仅将$ p_1 \ times p_2 $图像视为$ p_1 \ times p_2 $维空间中的矢量，并且图像的像素被认为是独立的。 它没有考虑到以下事实：在平面中显示的图像本质上是矩阵，并且在空间上彼此靠近的像素可能相互关联。 即使每个图像有$ p_1 \ times p_2 $ .pixels，这种空间相关性表明实际的自由数要少得多。

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：465kb
    • 提供者：weixin_38700240

  1. MathematicaForPrediction：用于预测和个性化的机器学习算法的Mathematica实现-源码

  2. 使命宣言 该开源项目适用于统计和机器学习算法的Mathematica（Wolfram语言）实现，可用于数据分析，预测，预测和推荐系统。 许可事项 所有代码文件和可执行文件均具有GPL 3.0许可证。 有关详细信息，请参见 。 所有文档均带有Creative Commons Attribution 4.0 International（CC BY 4.0）许可证。 有关详细信息，请参见 。 组织 在Mathematica软件包文件（“ * .m”）中给出了算法的实现。 在Mathematica笔

  3. 所属分类：其它

    • 发布日期：2021-01-30
    • 文件大小：58mb
    • 提供者：weixin_42099070