对“data3.m”数据，用其中一半的数据采用非线性SVM算法设计分类器并画出决策面，另一半数据用于测试分类器性能。
比较不同核函数的结果。
（注意讨论算法中参数设置的影响。
）来自课程设计，附上matlab源代码，可以成功调试出来。
比较不同核函数的结果。
（注意讨论算法中参数设置的影响。
）来自课程设计，附上matlab源代码，可以成功调试出来。
2024/5/27 2:19:41
287KB
1
支持向量机非线性回归通用matlab程序，本程序使用支持向量机法，实现对数据的非线性回归，核函数的设定和修改在函数内部进行，数据预处理在函数外部进行，简单易懂，希望能对大家有所帮助！
2024/4/20 14:17:39
3KB
1
使用python手动实现了SVM支持向量机，包括其中二次规划的求解（调用cvxopt包），实现了软间隔及核技术，以及对数据集及分类效果的可视化！建议配合我的SVMPPT一起学习SVM不是直接调用sklearn的SVM！！
2024/2/12 14:53:06
366KB
1
机器学习实战支持向量机代码，分为简易SMO，完整SMO，引入核函数SMO，以及实战利用其做手写字体的识别。
完整的代码需要数学理论作为依托，请关注我的学习文档，有完整的理论证明，供大家参考。
完整的代码需要数学理论作为依托，请关注我的学习文档，有完整的理论证明，供大家参考。
2023/11/30 11:12:44
214KB
1
实体关系抽取作为信息抽取、自然语言理解、信息检索等领域的核心任务和重要环节,能够从文本中抽取实体对间的语义关系.近年来,深度学习在联合学习、远程监督等方面上的应用,使关系抽取任务取得了较为丰富的研究成果.目前,基于深度学习的实体关系抽取技术,在特征提取的深度和模型的精确度上已经逐渐超过了传统基于特征和核函数的方法.围绕有监督和远程监督两个领域,系统总结了近几年来中外学者基于深度学习的实体关系抽取研究进展,并对未来可能的研究方向进行了探讨和展望.
2023/11/21 3:24:24
1.85MB
1
用均值漂移算法实现目标跟踪，均值漂移算法是一种基于核函数估计的无参数算法，它无需估计整个区间的概率密度也无需知道区间内样本的分布情况，由于其具有较低的计算量，且计算速度快，抗干扰能力强在解决计算机视觉领域尤其是目标跟踪方面表现出了良好的鲁棒性和实时性。
2023/11/15 6:17:54
8.86MB
1
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
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