为卿醉

Score: 41
Uploads: 5
Downloads: 164
Create time: 2019-04-23 17:11:23

Upload log:
bp网络.rar - 神经网络的经典模型和案例,适合刚接触机器学习的学者进行学习,同时对加深matlab的理解有帮助。
libsvm3.1.zip - 支持向量机工具箱可直接使用,包含支持向量机各个函数
Chapter02.rar - 为FNN和其它拓扑网络的常见实现问题提供解决方案
强化学习.rar - 使用强化学习实现策略梯度和和马尔科夫决策过程
Chapter03.rar - cnn卷积神经网络自动编码网络用于分类用于深度学习

Download log:
PSO_GA_RBF.rar - 遗传算法和PSO算法分别对神经网络进行预测
案例7 RBF网络的回归-非线性函数回归的实现.zip - 案例7 RBF网络的回归-非线性函数回归的实现
randomforest.rar - data=[]; a = randperm( ); %填写总数据数量 Train = data(a(1:20),:); %取1到20行为训练集 Test = data(a(21:end),:); %剩下的为测试集 % 训练数据 P_train = Train(:,2:end); T_train = Train(:,1); % 测试数据 P_test = Test(:,2:end); T_test = Test(:,1); %% 创建随机森林分类器 model = classRF_train(P_train,T_train); %% 仿真测试 [T_sim,votes] = classRF_predict(P_test,model); %%获得随机森林 ctree=ClassificationTree.fit(P_train,T_train); %%随机森林试图 view(ctree); view(ctree,'mode','graph'); %%十字交叉验证 leafs=logspace(1,2,10); N=numel(leafs); err=zeros(N,1); for n=1:N t=ClassificationTree.fit(P_train,T_train,'crossval','on','minleaf',leafs(n)); err(n)=kfoldLoss(t); end plot(leafs,err);
Code.zip - 随机森林是一种有监督学习算法,是以决策树为基学习器的集成学习算法。随机森林非常简单,易于实现,计算开销也很小,但是它在分类和回归上表现出非常惊人的性能,因此,随机森林被誉为“代表集成学习技术水平的方法”。
随机森林的matlab实现.zip - 随机森林的一个入门级历程,此例程可以带有稀缺数据集,让你使用训练集和测试集感受到随机森林的强大之处。随机森林的分类与回归,非常之强。秒杀神经网络,是一个人见人爱的算法。
lltsa.rar - 流形学习算法LTSA的线性化方法,在基因分类聚类中得到了应用,可以将新样本线性地投射到低维空间。
Linear-regression-analysis.rar - 对采集的样例数据进行回归分析,包括一元、多元和病态回归三种情况,并在一定执行概率给出置信区间和回归预测
chapter29 支持向量机的回归拟合.zip - 利用支持向量机的回归拟合混凝土抗压强度预测,适合初学者的学习和参考。
SVM-neural.rar - SVM神经网络的回归预测分析---上证开盘指数预测,matlab的经典算法
LS_SVM.rar - 最小二乘支持向量机,用于多元非线性回归分析,非线性拟合与预测
SVMNR.rar - 支持向量机的非线性回归预测,得到回归方程的参数,可进行预测
KPCA.rar - 核主成分分析是一种流行的非线性特征提取方法
KPCA00.rar - kpca原始程序和小波去噪部分,用于数据降维和特征提取比较实用
kpca1.rar - KPCA 的基本思想是将数据从输入空间映射到高维特征空间,然后在特征空间利用线性主成分分析方法计算主成分。本程序是KPCA的源程序,可实现调用。对于初学者或许有帮助。
KPCA.rar - 核主成分分析方法,是主成分分析的一种改进算法,是一种非线性的特征提取方法。
PCA-KPCA.zip - 关于数据降维PCA和KPCA的MATLAB程序,程序完整,可以直接运行
kpca.zip - 实现数据语音数据的降维,去除冗余 提高预测的精度
KPCAmatlab.zip - 核主成分分析方法kpca在matlab中的实现,包含参数优化等
kpca.rar - 上传的这个Matlab源代码可以用于主成分分析以及核主成分分析,学者们可以通过此方法实现数据的压缩。
KPCA.zip - KPCA 核主成分分析 降维处理 与传统的PCA相比,KPCA具有主成份特征明显,贡献率集中,主成份参数维数较少等优点,其性能明显高于PCA的分析结果

Favorite: