搜索资源列表
vote21
- 软件简介： 调查投票系统介绍： 可生成网上可见的多数调查系统投票系统， 支持同时产生多套调查投票， 可自定义题目类型（如单选+多选，单选+文字，纯文字等类型） 可自由更换界面，使用时提交和提交成功界面均是纯Html格式。 随时可对使用中投票调查进行更改，随时查看调查结果。 投票还原功能，可以将统计结果还原成各个投票者的投票情况。 -software brief : Investigation voting system introduced : Visibilit
广义异或集成神经网络算法
- 本程序用C语言实现了集成神经网络解决广义异或问题。用神经网络集成方法做成表决网,可克服初始权值的影响,对神经网络分类器来说:假设有N个独立的子网,采用绝对多数投票法,再假设每个子网以1-p的概率给出正确结果,且网络之间的错误不相关,则表决系统发生错误的概率为 Perr = ( ) pk(1-p)N-k 当p<1/2时 Perr 随N增大而单调递减. 在工程化设计中,先设计并训练数目较多的子网,然后从中选取少量最佳子网形成表决系统,可以达到任意高的泛化能力。 -this pro
gyy
- 从因子分析的角度出发解决基因表达谱分析问题。为解决独立成分分析方法在求解过程中的不稳定性，提出一种基于选择性独立成分分析的DNA微阵列数据集成分类器。首先对基因表达水平的重构误差进行分析，选择部分重构误差较小的独立成分进行样本重构，然后基于重构后的样本同时训练多个支持向量机基分类器，最后选择部分分类正确率较高的基分类器进行最大投票以得到最终结果。在3个常用测试集上验证了本文设计方法的有效性。-This paper tries to deal with gene expression proble
seven_people
- 七人表决器。有七个输入口，以多数胜于少数的结果进行表决-Seven voting machine. There are seven input to the majority of the results is better than a small number of voting
54VotingSystem
- *投票系统,金供广大学友学习之用，不对之处，请多多指出-54 voting system, gold for the majority of Senseio learning, imperfect, and invites further pointed out that the
dodop
- 从推出万域网投票管理系统1.0来.因很多站长认为管理不方便 故本人一再研究.决定将原来的投票系统改进,以适应广大站长调用和管理的需要 本系统比原来增加了一个IP一次投票的限制(原来的没有这个限制) 完善了投票主题(原来的投票主题过于简单) 增加了投票模式 增加信息修改的限制等-From the launching of 10000 area network management system for 1.0 to voting. Because
voting-algorithm
- this a voting algorithm MATLAB codes for fault tolerant systems. file consist of five m-files that fours of them runs from testmaj m-file. inxmaj m-file is a function for inexact majority algorithm, inxplu is a function for inexact plurality algorith
ensemble-toolbox
- a very useful toolbox for classifiers combination: majority voting, max, min, average mesures and others
BiceSurveyFree5.8
- 佰思超强自定义调查投票系统可完全自定义的调查投票管理系统，可以生成任何网上您所见到的投票调查问卷。简单好用，但不失功能强大。 简单易用的纯HTML静态表单制作系统 可完全自定义的调查投票管理系统，可以生成任何网上您所见到的投票调查问卷。 可自定义题目类型 （如单选+多选，单选+文字，纯文字，文字+列表等等类型），同时可自由组合各种新类型题目 可自定义制作生成绝大多数问卷调查报名表 可自定义制作生成绝大多数问卷调查，图片调查等 可自定义制作生成绝大多数心理测评
svote_1.0
- 一个很简单的ASP评投票选系统，整个系统仅一个文件，实现了数据维护、投票、排名、刷票分析等功能。由于只是个简单的单文件评选系统，因此，暂未实现图片上传和CMS功能，上传图片和详细介绍功能请借助外部CMS实现。本程序应对刷票的能力较强，服务器应该很难被刷得宕机，防刷票策略也增加了刷票者的刷票难度。欢迎大家交流防刷票心得。 关于本次投票的相关文字说明： 1.投票时免验证码输入，是绝大多数投票用户的强烈要求。 2.通过代理上网的网友只是极个别现象，因此本投票系统将忽略掉通过代理(X-
ideacms_UTF_v6.0.7
- IdeaCMS基于ASP+MSSQL/ACCESS的技术开发,自2008年发布第一个版本以来，我们每年都对程序做一次比较大的版本更新，至今已经发布了六个大版本。 IdeaCMS以简单、高效、灵活、易用、开源、模板新颖几大特点备受广大用户的青睐。通过admin5,chinaz等第三方平台下载量累计已经超过50万。部署网站超过100万。 IdeaCMS内置单页、新闻、图片、视频、下载、产品、招聘七大内容模型，可以满足目前多类网站，特别是企业网站需求和发展需要。同时系统自带留言、会员、评论、订
ideacms_v6.2.9_uft8-(1)
- IdeaCMS基于ASP+MSSQL/ACCESS的技术开发,IdeaCMS内置单页、新闻、图片、视频、下载、产品、招聘七大内容模型，可以满足目前多类网站，特别是企业网站需求和发展需要。同时系统自带留言、会员、评论、订购、应聘、投票、支付等插件。最新6.0版本还支持文章内链、智能手机。 IdeaCMS以简单、高效、灵活、易用、开源、模板新颖几大特点备受广大用户的青睐-ASP+MSSQL/ACCESS based on IdeaCMS technology development, IdeaC
jsantarc-Majority-Vote-function-for-Matlab--d0869
- This function performs majority voting for an input , ie. Counts the elements of a 1D array and outputs the value with the most occurrences. The input can be an array , ‘char’ or ‘cell’. Just a note if your input is an array the function will work wi
p157SANRENbianjue
- p157三人表决电路，多数胜于少数的时候通过-p157 three voting circuit, better than the majority of the minority by the time
k_nn
- kNN的思想:计算待分类的数据点与训练集所有样本点，取距离最近的k个样本；统计这k个样本的类别数量；根据多数表决方案，取数量最多的那一类作为待测样本的类别。距离度量可采用Euclidean distance，Manhattan distance和cosine。-kNN The idea is simple: the training set and calculated data points to be classified all sample points taken the neare
RandomForest
- 随机森林是由多棵树组成的分类或回归方法。主要思想来源于Bagging算法，Bagging技术思想主要是给定一弱分类器及训练集，让该学习算法训练多轮，每轮的训练集由原始训练集中有放回的随机抽取，大小一般跟原始训练集相当，这样依次训练多个弱分类器，最终的分类由这些弱分类器组合，对于分类问题一般采用多数投票法，对于回归问题一般采用简单平均法。随机森林在bagging的基础上，每个弱分类器都是决策树，决策树的生成过程中中，在属性的选择上增加了依一定概率选择属性，在这些属性中选择最佳属性及分割点，传统做法
Majority-Vote-function-for-Matlab--master
- 使用matlab实现多数投票，可用于高光谱图像处理(a way of majority voting using matlab)
KNN
- 最近邻学习算法，Python实现，最近邻规则分类(steps: In order to determine the unknown instance categories, with examples of all known categories as reference Parameter selection of K The calculation examples and all known examples of the unknown distance Choose the
01DTree
- 步骤： 为了判断未知实例的类别，以所有已知类别的实例作为参照 选择参数K 计算未知实例与所有已知实例的距离 选择最近K个已知实例 根据少数服从多数的投票法则(majority-voting)，让未知实例归类为K个最邻近样本中最多数的类别(steps: In order to determine the unknown instance categories, with examples of all known categories