笔者在给同事培训“数据预处理”专题时使用的ppt，共3讲。分别是： 数据预处理1_总体介绍_标准化与正则化 数据预处理2_缺失值处理 数据预处理3_降维处理 主要内容是对数据预处理的框架式总结，来源均来自互联网（如有侵权请评论告知，谢谢）。

增长速度 通过有效的锚图正则化可扩展的半监督学习 BibTeX： @article {wang2016scalable， title = {通过有效的锚图正则化可扩展的半监督学习}， 作者= {王蒙，符和富，魏杰和郝，石杰和陶，大成和吴信东}， journal = {IEEE知识和数据工程交易}， 音量= {28}， 数字= {7}， pages = {1864--1877}， 年= {2016}， Publisher = {IEEE}}

L1/2范数正则化模型修正方法在结构损伤识别中的应用，洪祖江，田福志，针对结构发生损伤时损伤参数具有稀疏性，本文基于灵敏度分析的有限元模型修正方法，提出一种结合L1/2范数正则化过程的结构损伤识�

l-曲线矩阵代码RSBEM MATLAB中的正则化Stokeslet边界元方法 自述文件 该存储库是做什么用的？ 该存储库包含正则化的Stokeslet边界元方法（RSBEM）的MATLAB实现，用于模拟3D中的低雷诺数“蠕变”流。 它受到（1）的极大启发，但是利用了二阶曲面三角形曲面网格和一些性能改进。 到目前为止，它主要用于模拟游泳的单鞭毛细菌（2）和游泳鞭毛的鞭毛虫（3），但已尽力使代码保持通用，因此可以在其他模型中对其他几何形状和低雷诺数问题进行建模。未来。 Salome平台（）已用于生成几何图形和网格。 与此相关的python脚本也适用于弯曲杆细菌和螺旋细菌鞭毛。 该代码正在进行中。 它尚未被记录，易于使用等，但是我正在朝着这个目标努力。 （1）DJ Smith，一种边界元素正则Stokeslet方法，适用于纤毛和鞭毛驱动的血流。 皇家学会会议录A：数学，物理和工程科学。 465，3605–3626（2009）。 （2）R. Schuech，T。Hoehfurtner，D。Smith和S. Humphries。 运动弯曲细菌是帕累托最优的。 准备中提交给Science（3）L

1.版本：matlab2021a，我录制了仿真操作录像，可以跟着操作出仿真结果 2.领域：稀疏编码 3.内容：基于Lp范数求解正则化相关数据稀疏编码的matlab仿真+仿真录像

此功能基于扩散驱动的正则化功能（regularizeSR.m）实现多帧超分辨率模型。 该函数的输入是：s（输入图像序列）、delta_est（水平和垂直方向的平移运动值）、phi_est（旋转运动）和因子（放大率）。 估计运动（旋转和平移）的配准方法是 Keren（请参阅伊朗及其同事的工作，“通过图像配准提高分辨率”）。 相应论文，题为“A Noise-Suppressing and Edge-Preserving Multi-Frame Super-Resolution Image Reconstruction Method”，已提交至Journal of Signal Processing: Image Communication（手稿ID：image3133），正在第二次修订中。 请注意， http://lcav.epfl.ch/software/superresolution提供的

isodata的matlab代码博客分类器 具有 l2 正则化的逻辑回归 Gaussian Naïve Bayes kmeans isodata 通用算法

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

你好， 只是为了提供帮助并获得一些快速的初步结果，我加载了 3 个重建算法和一个处理器脚本来调用前向算子和每个算法，即 CGNE、Tikhonov 重建和滞后扩散率定点迭代。 我只是想从任何使用代码的人那里得到一些反馈。 代码中提供了可以找到更多信息的参考资料。 不需要任何版权或许可，因为这不是一个完整的专业工具箱，结果应该不会太多，但我仍然需要填写一些框来完成此加载。 让我简要介绍一下这里算法中没有的东西； 算法并没有真正处理噪音，因为这必须由用户针对每个问题进行定义。 滞后扩散率算法的正则化参数选择属于我们的隐私，因为它是一些数学运算的结果。 此外，要为每个问题定义边界条件。 附图是将代码应用到 Per Christian Hansen 提供的 tomo.m 文件后的滞后扩散算法的结果。 我还在 Emission Tomography 上测试了相同的代码，其前向算子和测量由 John

LogisticRegression 多元逻辑斯蒂回归，并实现随机梯度下降和L1/L2正则化项。 参照 在此基础上加入L1和L2 Regularization；关于逻辑斯蒂回归中的L1和L2正则化项详见以下两个链接: 并对输入格式进行泛化，例如可以对“Sun Weather=rainy:1 Temperature=hot:1 ...”格式进行分类