通过超图正则化非负矩阵分解实现图像聚类

1.discrete ill-posed problems and their regularization 2.regularization tools tutorial 3.regularization tools reference

直接可用，包括曲线估计，gcv估计，岭估计，适用于解决最小二乘中的过拟合问题。可以被用于参数识别，模态识别等多参数识别及优化问题

针对有限信息中获取图模型结构的困难，构造了一个框架来学习无向图模型的结构，它可以表示变量之间的空间关系，也可应用于图像分割问题。使用以超像素为节点来学习概率图模型的结构构建图像分割体系。 将L1正则化方法用于图模型结构的学习。采用条件随机场对图像超像素区域的相互作用和度量进行建模，通过超像素的区域特征和区域标签间的相互作用对图像进行分类。实验表明，同其他方法相比较，所提出的算法效果良好。

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

近年来，已经从压缩感测（CS）理论的角度解决了有关稀疏连续信号恢复的各种应用，例如源定位，雷达成像，通信信道估计等。 但是，在考虑任何实际使用时，有两个主要缺陷需要解决。 第一个问题是由任意定位的未知数与预先指定的字典之间的基础不匹配导致的离网问题，这将使常规CS重建方法的性能大大下降。 第二个重要问题是对低复杂度算法的迫切需求，尤其是在面对实时实现的需求时。 在本文中，针对这两个问题，我们提出了三种快速，准确的稀疏重建算法，分别称为HR-DCD，Hlog-DCD和Hl（p）-DCD，它们基于同构，二分坐标下降（DCD） ）和网格优化技术相结合，实现了迭代和非凸正则化。 实验结果证明了所提算法和相关分析的有效性。

糖尿病发作检测 @machinelearning{han2021cs, title={Diabetes Onset Detection using Keras Model}, author={Nguyen, Han}, year={2021}, associate={Personal Project} } 简要描述;简介 该项目是一个基于机器学习的应用程序，通过Keras模型和寻找最佳超参数的训练方法（使用网格搜索和scikit-learn并优化神经元数量）来预测个人是否患有糖尿病。 有关更多详细信息，请参阅《 我学到的是 在这个项目中，我利用自己的知识来构建Keras模型，以及对参数的不同更新（从学习率，辍学，激活，神经元初始化），以了解哪种方法可以产生最佳的准确性。 我还了解到，使用此模型，训练精度非常高； 但是，测试精度略低于80％。 这意味着我们在误报和误报方面

不确定数据建模的正则化鲁棒广泛学习系统

国内最经典的不适定问题研究的教材，网络上目前还没有，高清带书签。

基于拉普拉斯正则化概率主元分析的故障检测