典型相关分析matlab实现代码 dataset 各种数据集 各种自然场景数据集 自然图像数据集 MNIST: handwritten digits: 手写数字图集,最常用的完整的检查。数据集格式为25x25,居中,B&W手写数字。这是一项简单的任务 - 仅仅因为某些东西适用于MNIST,并不意味着它全部适用。(项目地址: CIFAR10 / CIFAR100: 由10个类的60000个32x32彩色图像组成,每个类有6000个图像。这是一个不常用但是却很有趣的检查。(地址: Caltech 101: 加利福尼亚理工学院101类图像数据库(地址: Caltech 256:加利福尼亚理工学院256类图像数据库(地址: STL-10 dataset:是用于开发无监督特征学习,深度学习,自学习学习算法的图像识别数据集。像CIFAR-10一样有一些修改。(地址: The Street View House Numbers (SVHN):Google街景的门牌号码。可以把它想象成野外的经常性MNIST。(地址: NORB:此数据库用于从形状进行3D对象重新定位的实验。它包含50种玩具的图像(地址
2021-09-06 12:26:45 15KB 系统开源
1
典型相关分析matlab实现代码 目录 交易体系构建 数据准备 行情:开盘价、收盘价、MA5、MA20等等 趋势:MACD、BBI 热度:换手率、成交量 基本面:品种间相关性指标、PE、PB 现值、中位数、五年十年百分位、十二个月后的百分位 策略设计 择股:大小盘轮动,即根据MA20日线的动量变化率在两个标的之间轮动 趋势: 分析MACD、BBI同时出现交点时一段时间后的胜率 MACD、BBI其他情况下的表现 配合其他指标加强趋势判断准确率 择时(热度): 分析换手率,周换手率、月换手率各值出现之后一段时间的胜率 分析日成交量出现地量、天量时,做出择时后一段时间的胜率 策略实现与回测 模拟交易:交易频率、交易费率 回测指标计算:净值、年化收益率、阿尔法、贝塔、夏比特率、最大回测、年化波动率 实时交易接口实现 其他 构建组合需要感受各个品种之间的相关性,相关性分析通过历史周线级别的数据分析。因分析难度大,可先用着益达的图。2024年之前都可以用 在组合中要区分大小盘,大盘的50和300,熊市50跌的更少,牛市300涨的更多,而大盘与小盘指数的对比中,50和小盘的相关性更低。 对年换手率指
2021-09-02 15:59:44 21KB 系统开源
1
CCA———典型相关分析,很经典的论文,需要的拿走,但是因为我也是菜鸟,不得已,还是得要点分。
2021-09-01 11:24:54 344KB 典型相关分析 CCA
1
特征降维,特征融合,相关分析等多元数据分析的典型相关分析matlab代码.zip
2021-08-20 19:07:33 2KB matlab
典型相关分析CCA,matplotlib可视化,供学习可用。
2021-08-04 22:04:05 2KB CCA 典型相关分析 matplotlib
1
典型相关分析python实现,
2021-07-07 19:50:56 6KB 核典型相关分析
1
典型相关分析matlab实现代码DCCA:深度规范相关分析 这是Python中的深度规范关联分析(DCCA或Deep CCA)的实现。 它需要安装Theano和Keras库。 DCCA是CCA的非线性版本,它使用神经网络代替线性变换器作为映射函数。 DCCA最初是在以下论文中提出的: Galen Andrew,Raman Arora,Jeff Bilmes,Karen Livescu,“”,ICML,2013年。 它使用带有Theano后端的Keras库,在Tensorflow后端上不起作用。 因为网络的丢失功能是由Theano编写的。 基本的建模网络可以轻松地被更高效,更强大的网络(如CNN)取代。 大多数配置和参数是根据以下文件设置的: Wang Weiran,Raman Arora,Karen Livescu和Jeff Bilmes。 “”,ICML,2015年。 数据集 该模型是在MNIST数据集的嘈杂版本上评估的。 我完全按照本文介绍的方式构建了数据集。 训练/验证/测试段是MNIST的原始段。 数据集很大,无法在GitHub上上传。 因此它被上传到另一台服务器上。 第一次执
2021-07-07 10:34:17 172.19MB 系统开源
1
用于特征降维,相关分析等多元数据分析的典型相关分析(CCA)Matlab代码实现
2021-06-29 09:27:52 2KB 典型相关分析 CCA
1
按类型分类的数学建模获奖论文,非常有用,可以系统的参考。
2021-06-23 13:32:03 6.77MB 数学建模 获奖论文 典型相关分析
1
典型相关分析matlab实现代码#SCell用户指南 SCell是一个集成的软件工具,用于从大型单细胞RNA-seq数据集中进行质量过滤,标准化,特征选择,降维迭代,聚类和估计基因表达梯度。 SCell是开源的,并通过直观的图形界面实现。 可从Windows获得Mac,MacOS和Linux的二进制可执行文件,从获得源代码和预处理脚本。 如果您使用此软件进行研究,请引用:Aaron Diaz,Siyuan J. Liu,Carmen Sandoval,Alex Pollen,Tom J. Nowakowski,Daniel A. Lim和Arnold Kriegstein。 。 生物信息学。 2016. doi:10.1093 / bioinformatics / btw201 目录 1.安装 SCell在64位Mac OSX,Windows和Linux下运行。 首先从以下位置下载适当的安装包: 以_web结尾的文件的初始下载量较小,但在安装过程中将下载更多文件。 那些没有_web结尾的东西已经捆绑了所有需要的东西。 下载完成后,双击安装程序,然后按照屏幕上的说明进行操作。 要调用Wi
2021-06-18 19:49:31 7.21MB 系统开源
1