搜索资源列表
libsvm-matlab-1.2
- Support Vector Machines is a powerful methodology for solving problems in nonlinear classification and regression. It is a matlab version.-Support Vector Machines is a powerful methamphetamine odology for solving problems in nonlinear CLAS sificati
CART
- 这是一个分类和回归树算法，它提供一种通用框架将各种各样不同的判定树实例化。-This is a classification and regression tree algorithm, which provides a common framework a wide variety of different decision tree instantiation.
lwr
- 强局部加权回归算法由Cleveland[7]提出,主要利用局部观测数据对欲拟合点进行多项式加权拟合,并用最小二乘法进行估计.它综合了传统的局部多项式拟合,局部加权回归以及具有强鲁棒性的拟合过程 -Strong locally weighted regression algorithm by Cleveland [7] proposed, mainly using local observational data points on the polynomial fitting For wei
VarBayesianCode
- Variational Bayesian Multinomial Probit Regression with Gaussian Process Priors. -Variational Bayesian Multinomial Probit Regression with Gaussian Process Priors.
grnnforexample
- 广义回归神经网络是RBF的一个扩展。但是具体怎么实现却代码很少，本代码是一个grnn很好的学习例子。-Generalized regression neural network is an extension of RBF. But how to achieve specific code but rarely, the code is a good learning example grnn.
RS reducta priori regression
- 基于粗糙集的知识约简算法和采用回归进行的知识约简表示-Based on Rough Set Knowledge Reduction Algorithm and the use of regression express the knowledge reduction
Main_SVR_Epsilon
- svm Main_SVR_Epsilon 用于svm回归的 在matlab中运用 -svm regression svm Main_SVR_Epsilon for use in matlab
work
- 利用支持向量回归进行概率密度估计，从而计算信息熵-The use of support vector regression for probability density estimation, in order to estimate the information entropy
libsvm-2.89
- 是一種線性方成的分類器。SVM透過統計的方式將雜亂的資料以NN的方式分成兩類，以便處理。LIBLINEAR is a linear classifier for data with millions of instances and features. It supports L2-regularized logistic regression (LR), L2-loss linear SVM, and L1-loss linear SVM. -Main features of LIBLINEA
gridregression
- 根据libsvm中的grid.py改写的支持向量机回归栅格搜索算法-Grid.py According to rewrite the libsvm Support Vector Machine Regression grid search algorithm
SVMregression
- 用MATLAB编写的svm支持向量机的分类,回归工具箱- MATLAB codes of support vector machine svm classification, regression Toolbox
PS0-SVR
- ：针对发酵过程中生物参数难以实时在线测量的问题，建立了用于生物参数状态预估的 支持向量机软测量模型。考虑到该支持向量回归(SVR)模型的复杂性和冷化特征取决于其三 个参数 ，c， 能否取到最优值，采用粒子群优化(PSO)算法实现对参数 ，c， 的同时寻优。在 此基础上，以饲料用 ．甘露聚糖酶为对象，建立了基于PSO—SVR的发酵过程产物浓度状态预估 模型。发酵罐控制结果表明：该模型具有很好的学习精度和泛化能力，可实现对 ．甘露聚糖酶 产物浓度的实时在线预估。-In
Inertiadevicefaultpredictionbasedonwavelet
- ：为了提高最小二乘支持向量回归机的性能，将Morlet小波核函数引入其中，形成了最小二乘小波支 持向量回归机模型。利用待优化的参数重构模型的目标函数和约束条件，并在此基础上通过遗传算法进行参数 选择，从而提高了该模型的泛化能力。将最小二乘小波支持向量回归机应用于导弹陀螺仪的漂移趋势预测，仿真 实验结果表明了该方法的有效性和可行性，因此可以为陀螺仪的故障预报、可靠性辅助决策提供依据。-To improve the ability of least square support vect
TimeSeriesPredictionUsingSupportVectorRegressionNe
- 为了选择神经网络的最好结构以及增强模型的推广能力，提出一种自适应支持向量回归神经网络(SVR—NN)。SVR—NN 用支持向量回归(SVR)方法获得网络的初始结构和权值， 白适应地生 成网络隐层结点，然后用基于退火过程的鲁棒学习算法更新网络结点疹教和权 主。 SVR—NN有很 好的收敛性和鲁棒性，能抑制由于数据异常和参数选择不当所导致的“过拟合，’现象。将SVR—NN 应用到时间序列预测上。结果表明，SVR．NN预测模型能精确地预测混沌时间序列，具有很好的 理论和应用价值。-Ab
svm
- 统计学习理论中提出的支撑向量机回归(SVR)遵循了结构风险最小化原则,从而避免了一味追求经验风险最小化带来的弊端-Statistical learning theory proposed by the support vector machine regression (SVR) to follow the structural risk minimization principle, thus avoiding the blind pursuit of Empirical Risk Minim
nonlinear_regression_SVM
- 用于在matlab中实现非线性回归的支持向量机svm算法-Used matlab to implement non-linear regression algorithm of support vector machines svm
General_neural_network_of_clustering_algorithm
- 模糊聚类虽然能够对数据聚类挖掘，但是由于网络入侵特征数据维数较多，不同入侵类别间的数据差别较小，不少入侵模式不能被准确分类。本案例采用结合模糊聚类和广义神经网络回归的聚类算法对入侵数据进行分类。 -Although fuzzy clustering to cluster the data mining, but the characteristics of the network intrusion data more dimensions, different invasion was l
ann_1.1.1.tar
- VC++实现的神经网络工具库，可用于分类，模式识别，数据拟合插值等，具有图形显示功能-ANN is developed by VC++，for classification, pattern recognition, data regression and interpolation.
matlab-GUI
- 这是本人编写的matlab的GUI程序，可以实现交互式的界面。里面的程序是bp神经网络的应用，另一个回归分析的程序还没有写。可以实现的功能是利用神经网络，然后上传数据，根据数据训练网络，然后可以输入部分数据，验证网络。-This is my GUI program written in matlab, you can achieve interactive interface. Bp inside the program is the application of neural networks
转发：PA-1-data-matlab
- 各类回归方法的实现（LS,BR,LS...）(implement of regression)