【项目代码】matlab环境下编写的适用于高维方程组求解的牛顿迭代法算法函数，为工程计算和大型模型求解带来便利.zip

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。

fcm高维数据聚类.

一种求解高维约束优化问题的γ—PSO算法 PSO算法，约束优化问题，适应度函数，全局极值，局部极值

High-Dimensional-LBP, 面向人脸识别的高维LBP特征的实现 High-Dimensional-LBP面向人脸识别的高维lbp特征实现Dong，Xudong，Wen，Jian 。 维度之福：高维特征及其有效的面验证压缩。 计算机视觉和 Pattern 识别( CVPR )，2013.我使用op

Web2.0时代的信息共享和在线协同让每个用户不但可以从互联网上获取各种信息,还能自由地发布各种信息或对已有数据添加标注。一种普遍的应用就是对论坛上发布的文章添加标签以方便分类和检索,这种加标签的方式称为社会化标注(Social Annotation)。互联网上大量用户的标注使得这些信息成为检索的重要手段。目前这种标注大多以简单添加词或短语tag为主,对文本数据(例如博客文章、论坛帖子)来说,这些简单的标签足以提高检索效率,但在互联网中还存在大量如图像、地理信息等高维数据,简单标签并不能真实地反映这类数据的内容及结构化信息。因此,对互联网上高维数据提供新的标注模型,将人们对高维数据的认识真实的反映在标注上,对于这类数据的有效检索是十分必要的。 在分析现有研究工作的基础上,本文根据高维数据、社会化标注和多人协同标注的特点,对Web2.0环境下高维数据社会化协同标注的一致性维护问题和利用结构化语义标注的检索问题进行了深入的分析和研究。主要工作如下: Web2.0环境下高维数据的社会化协同标注及一致性维护。建立了高维数据的协同标注模型——结构化语义标注模型,并对标注信息进行抽象,提出冲突检...

高维数据SVM实现+降维可视化 是更改别人的代码的，使用软间隔最大化，SMO优化算法，t-sne降维可视化，发现数据是否是容易线性可分的。

通过kpca进行降维，根据网上的程序改的，内含数据，数据为西储大学轴承数据，希望可以帮助到刚学的同学，有错误的地方请多多指教。

最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation)维度压缩,使用matlab写成

nmf非负矩阵分解算法高维遥感图像维度压缩，主要进行nmf非负矩阵分解算法的数据降维。可任意降维。使用Python写成。