文件中包含SVM，CNN，KNN三种分类算法，用于机器学习和神经网络，m文件可直接调用

python语言使用LBP算法提取特征向量SVM算法训练模型和识别分类整套文件。内有训练和测试、验证图片集，训练和测试程序分两个py文件。训练使用lbp_train.py文件，测试和验证使用均使用lbp_test.py文件，更改训练集和测试集文件可更改为自己所需的程序。LBP算法使用uniform模式，准确率可达93.31%以上

包含了多种美赛中可以用到的模拟算法、优化算法以及程序预测算法等。 包含注释详解。 包括chapter1遗传算法工具箱、chapter2基于遗传算法和非线性规划的函数寻优算法 、chapter3基于遗传算法的BP神经网络优化算法 、chapter4sa_tsp、chapter5基于遗传算法的LQR控制器优化设计等三十个章节

涵盖了美赛中所使用的所有算法的视频详解和例题分析。 百度云链接永久有效

本文实例讲述了朴素贝叶斯分类算法原理与Python实现与使用方法。分享给大家供大家参考，具体如下： 朴素贝叶斯分类算法 1、朴素贝叶斯分类算法原理 1.1、概述 贝叶斯分类算法是一大类分类算法的总称 贝叶斯分类算法以样本可能属于某类的概率来作为分类依据 朴素贝叶斯分类算法是贝叶斯分类算法中最简单的一种 注：朴素的意思是条件概率独立性 P(A|x1x2x3x4)=p(A|x1)*p(A|x2)p(A|x3)p(A|x4)则为条件概率独立 P(xy|z)=p(xyz)/p(z)=p(xz)/p(z)*p(yz)/p(z) 1.2、算法思想 朴素贝叶斯的思想是这样的： 如果一个事物在一些属性条件发生

VRP算法分类 扫描算法(1974) k-opt算法 -interchange算法 蚁群算法 (1991,2003) 两阶段算法(1979) 粒子群算法 (1995) Constructive heuristics gradually builds a feasible solution while keeping an eye on solution cost, but do not contain an improvement phase per se. (Laporte and Semet[2002]). 精确算法 启发式算法 分枝界定法 割平面法 网络流算法 动态规划法 构造启发式算法 改进启发式算法 亚启发式算法 最邻近法(1977) 最近插入法(1976) 禁忌搜索法 (1986,1991) C-W节约法(1964) 遗传算法 (1975,1996) 神经网络算法 (1943,2000) 模拟退火法 (1953,1993)

用JAVA实现的数据挖掘分类挖掘 决策树 ID3算法。较完整。有简易界面。分训练集和测试集。通过训练集得出决策树。用测试集测决策树的预测正确率。

生物医学工程实验，单层感知器的设计，1.使用 Matlab 编程实现单层感知器。2. 调节学习率η，观察对于不同学习率算法的收敛速度（迭代次数） 3. 用单层感知器处理非线性分类问题，观察结果。

用java实现k-近邻算法分类器的完整工程代码，测试结果正确

传统的极限学习机作为一种有监督的学习模型，任意对隐藏层神经元的输入权值和偏置进行赋值，通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题，提出一种基于模拟退火算法改进的极限学习机.首先，利用传统的极限学习机对训练集进行学习，得到隐藏层神经元的输出权值，选取预测结果评价标准.然后利用模拟退火算法，将传统的极限学习机隐藏层输入权值和偏置视为初始解，预测结果评价标准视为目标函数，通过模拟退火的降温过程，找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置，最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比，基于模拟退火改进的极限学习机在分类和回归性能上都更优.