最新的支持向量機(jī)工具箱，有了它會(huì)很方便 1. Find time to write a proper list of things to do! 2. Documentation. 3. Support Vector Regression. 4. Automated model selection. REFERENCES ========== [1] V.N. Vapnik, "The Nature of Statistical Learning Theory", Springer-Verlag, New York, ISBN 0-387-94559-8, 1995. [2] J. C. Platt, "Fast training of support vector machines using sequential minimal optimization", in Advances in Kernel Methods - Support Vector Learning, (Eds) B. Scholkopf, C. Burges, and A. J. Smola, MIT Press, Cambridge, Massachusetts, chapter 12, pp 185-208, 1999. [3] T. Joachims, "Estimating the Generalization Performance of a SVM Efficiently", LS-8 Report 25, Universitat Dortmund, Fachbereich Informatik, 1999.
上傳時(shí)間： 2013-12-16
上傳用戶：亞亞娟娟123
是一本Ｊ２ＭＥ的教材書，是微型ＪＡＶＡ人編寫的例子代碼
標(biāo)簽： 教材
上傳時(shí)間： 2014-01-06
上傳用戶：kernaling
Hopfield 網(wǎng)——擅長(zhǎng)于聯(lián)想記憶與解迷路 實(shí)現(xiàn)H網(wǎng)聯(lián)想記憶的關(guān)鍵，是使被記憶的模式樣本對(duì)應(yīng)網(wǎng)絡(luò)能量函數(shù)的極小值。 設(shè)有M個(gè)N維記憶模式，通過(guò)對(duì)網(wǎng)絡(luò)N個(gè)神經(jīng)元之間連接權(quán) wij 和N個(gè)輸出閾值θj的設(shè)計(jì)，使得: 這M個(gè)記憶模式所對(duì)應(yīng)的網(wǎng)絡(luò)狀態(tài)正好是網(wǎng)絡(luò)能量函數(shù)的M個(gè)極小值。 比較困難，目前還沒(méi)有一個(gè)適應(yīng)任意形式的記憶模式的有效、通用的設(shè)計(jì)方法。 H網(wǎng)的算法 1）學(xué)習(xí)模式——決定權(quán)重 想要記憶的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 則任意兩個(gè)神經(jīng)元j、i間的權(quán)重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數(shù) ap(s)：第p個(gè)模式的第s個(gè)要素（-1或1） wij：第j個(gè)神經(jīng)元與第i個(gè)神經(jīng)元間的權(quán)重 i = j時(shí)，wij=0，即各神經(jīng)元的輸出不直接返回自身。 2)想起模式： 神經(jīng)元輸出值的初始化 想起時(shí)，一般是未知的輸入。設(shè)xi(0)為未知模式的第i個(gè)要素（-1或1） 將xi(0)作為相對(duì)應(yīng)的神經(jīng)元的初始值，其中，0意味t=0。 反復(fù)部分：對(duì)各神經(jīng)元，計(jì)算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經(jīng)元總數(shù) f（）--Sgn（） θi—神經(jīng)元i發(fā)火閾值 反復(fù)進(jìn)行，直到各個(gè)神經(jīng)元的輸出不再變化。
上傳時(shí)間： 2015-03-16
上傳用戶：JasonC
詞法分析程序，可對(duì)以下的C源程序進(jìn)行分析：main() {int a[12] ,sum for(i=1 i<=12 i++) {for(j=1 j<=12 j++)scanf("%d",&a[i][j]) } for(i=12 i>=1 i--){ for(j=12 j>=1 j--){ if(i==j&&i+j==13)sum+=a[i][j] } } printf("%c",sum) }
上傳時(shí)間： 2013-12-26
上傳用戶：skhlm
系統(tǒng)資源(r1…rm),共有m類，每類數(shù)目為r1…rm。隨機(jī)產(chǎn)生進(jìn)程Pi(id,s(j,k)，t),0
上傳時(shí)間： 2014-01-27
上傳用戶：天誠(chéng)24
經(jīng)典c程序100例==1--10 【程序1】 題目：有1、2、3、4個(gè)數(shù)字，能組成多少個(gè)互不相同且無(wú)重復(fù)數(shù)字的三位數(shù)？都是多少？ 1.程序分析：可填在百位、十位、個(gè)位的數(shù)字都是1、2、3、4。組成所有的排列后再去 掉不滿足條件的排列。 2.程序源代碼： main() { int i,j,k printf("\n") for(i=1 i<5 i++) ／*以下為三重循環(huán)*/ for(j=1 j<5 j++) for (k=1 k<5 k++) { if (i!=k&&i!=j&&j!=k) /*確保i、j、k三位互不相同*/ printf("%d,%d,%d\n",i,j,k) }
上傳時(shí)間： 2014-01-07
上傳用戶：lizhizheng88
ADT串的實(shí)現(xiàn):主要包括以下操作：§ copy(s1,s2)把串s1復(fù)制到s2 § concat(s,s1,s2)連接S1,S2，結(jié)果放在S中 § delete(s,i,j)將串s中從第i個(gè)字符開(kāi)始的連續(xù)j個(gè)字符刪除，如果i+j>s.len則一直刪除到串尾 § insert(s,s1,i)將串S1插入串S的第i個(gè)字符后
上傳時(shí)間： 2013-12-11
上傳用戶：奇奇奔奔
此為編譯原理實(shí)驗(yàn)報(bào)告 學(xué)習(xí)消除文法左遞規(guī)算法，了解消除文法左遞規(guī)在語(yǔ)法分析中的作用 內(nèi)含 設(shè)計(jì)算法 目的 源碼 等等.... 算法:消除左遞歸算法為: （1）把文法G的所有非終結(jié)符按任一種順序排列成P1,P2,…Pn 按此順序執(zhí)行 （2）FOR i:=1 TO n DO BEGIN FOR j:=1 DO 把形如Pi→Pjγ的規(guī)則改寫成 Pi→δ1γ δ2γ … δkγ。其中Pj→δ1 δ2 … δk是關(guān)于Pj的所有規(guī)則； 消除關(guān)于Pi規(guī)則的直接左遞歸性 END （3）化簡(jiǎn)由（2）所得的文法。即去除那些從開(kāi)始符號(hào)出發(fā)永遠(yuǎn)無(wú)法到達(dá)的非終結(jié)符的 產(chǎn)生規(guī)則。
標(biāo)簽： 編譯原理 實(shí)驗(yàn)報(bào)告 算法
上傳時(shí)間： 2015-03-29
上傳用戶：極客
誤差分析的方法有多種，例如，威點(diǎn)遜（J. H. Wilkison）針對(duì)的計(jì)算機(jī)的浮點(diǎn)運(yùn)算提出的“向后誤差分析”，這是一種先驗(yàn)估計(jì)誤差的方法，較以往的“向前誤差分析”在矩陣運(yùn)算的舍入誤差估計(jì)上有較好的結(jié)果，以而使矩陣的誤差分析獲得了突破性的進(jìn)展，使不少用向前誤差分析難于判定可靠性的數(shù)值方法獲得新的進(jìn)展。
標(biāo)簽： 誤差分析
上傳時(shí)間： 2013-12-09
上傳用戶：FreeSky
調(diào)用過(guò)程 CM = Confusion_matrix(train_predicts, train_targets) [combining_predicts, errorrate] = combining_NB(DP, test_targets, CM) DP，三維數(shù)組，(i,j,k)為第k個(gè)樣本的DP矩陣 targets 為 0 1 2
標(biāo)簽： combining_predicts Confusion_matrix train_predicts train_targets
上傳時(shí)間： 2015-04-04
上傳用戶：it男一枚
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
