线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。
2023/8/13 15:12:13
9.55MB
1
文件内有一个函数文件和CMFS.m文件，调用这两个即可。
另外还有几个标准数据集用来测试。
特征选择可以用来进行机器学习和数据挖掘，希望此资源可以帮助到大家，有不足之处，望指出并相互探讨。
另外还有几个标准数据集用来测试。
特征选择可以用来进行机器学习和数据挖掘，希望此资源可以帮助到大家，有不足之处，望指出并相互探讨。
2023/8/13 8:48:52
141KB
1
决策树(DecisionTree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。
由于这种决策分支画成图形很像一棵树的枝干，故称决策树。
在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
Entropy=系统的凌乱程度，使用算法ID3,C4.5和C5.0生成树算法使用熵。
这一度量是基于信息学理论中熵的概念。
由于这种决策分支画成图形很像一棵树的枝干，故称决策树。
在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。
Entropy=系统的凌乱程度，使用算法ID3,C4.5和C5.0生成树算法使用熵。
这一度量是基于信息学理论中熵的概念。
2023/8/11 22:13:29
5KB
1
代码说明代码仅供学习研究，未经允许，请勿擅自商用。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
2023/8/2 17:50:02
328KB
1
时间序列桥是一种可用于将指标从一个监视系统导入另一个监视系统的工具。
它定期对源监视系统（当前是Datadog＆InfluxDB）运行特定查询，并将新的时间序列结果写入目标系统（当前仅是Stackdriver）。
目录设定指南简而言之，要设置ts-bridge应用：创建将托管应用程序的GCP项目配置导入指标部署应用程序，使其每分钟自动导入指标以下各节将指导您完成此过程。
创建并设置GoogleCloudProject我们建议将托管ts-bridge的项目与其他基础结构分开，以使基础结构故障不会影响监视，而监视故障不会影响基础结构。
登录并确保新项目已（请注意，Stac
它定期对源监视系统（当前是Datadog＆InfluxDB）运行特定查询，并将新的时间序列结果写入目标系统（当前仅是Stackdriver）。
目录设定指南简而言之，要设置ts-bridge应用：创建将托管应用程序的GCP项目配置导入指标部署应用程序，使其每分钟自动导入指标以下各节将指导您完成此过程。
创建并设置GoogleCloudProject我们建议将托管ts-bridge的项目与其他基础结构分开，以使基础结构故障不会影响监视，而监视故障不会影响基础结构。
登录并确保新项目已（请注意，Stac
2023/8/1 0:25:28
726KB
1
被动傅里叶变换红外（FTIR）遥感是一种具有应用潜力的生物气溶胶远程探测技术。
红外遥感测量中目标光谱特征上往往存在噪声信号和基线漂移。
而生物气溶胶的光谱特征相对较宽，传统的基线校正方法都不适用。
由于生物气溶胶红外光谱和不同形式的基线漂移都是非高斯信号，把非高斯性作为独立性度量，基于独立成分分析(ICA)技术设计了生物气溶胶红外光谱信号的预处理算法。
试验结果表明，该算法可以把未知干扰成分、基线漂移等作为独立分量分离出来，从而不影响进一步的定性、定量分析。
红外遥感测量中目标光谱特征上往往存在噪声信号和基线漂移。
而生物气溶胶的光谱特征相对较宽，传统的基线校正方法都不适用。
由于生物气溶胶红外光谱和不同形式的基线漂移都是非高斯信号，把非高斯性作为独立性度量，基于独立成分分析(ICA)技术设计了生物气溶胶红外光谱信号的预处理算法。
试验结果表明，该算法可以把未知干扰成分、基线漂移等作为独立分量分离出来，从而不影响进一步的定性、定量分析。
2023/7/26 15:43:03
3.99MB
1
心脏杂波识别筛查该报告将能够识别和开发一种预测模型，该模型可以使用机器学习算法确定患有先天性心脏缺陷的儿童和患有心脏瓣膜缺陷的成人？”这些问题的答案将帮助听众进一步发展业务模型，从而有助于创建可预测和识别心脏杂音的便携式设备。
具有混淆矩阵，学习曲线和方框图的分类报告是度量标准，这些度量标准将用于评估算法以找到准确的响应模型。
该模型将查找分类为0-正常患者，1-先天性心脏缺陷-婴儿，2-心脏瓣膜缺陷-成人的输出变量。
初生婴儿时可以看到心脏瓣膜缺陷，成年人中也可以看到。
通过该项目，该算法将找到一个预测模型，以诊断整个年龄段其他患者的心脏缺陷
具有混淆矩阵，学习曲线和方框图的分类报告是度量标准，这些度量标准将用于评估算法以找到准确的响应模型。
该模型将查找分类为0-正常患者，1-先天性心脏缺陷-婴儿，2-心脏瓣膜缺陷-成人的输出变量。
初生婴儿时可以看到心脏瓣膜缺陷，成年人中也可以看到。
通过该项目，该算法将找到一个预测模型，以诊断整个年龄段其他患者的心脏缺陷
2023/7/20 11:43:02
1.43MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB