距离向量路由算法实验报告.doc

距离向量路由算法的c源代码.doc

基于麻雀算法的SVM分类，SSA-SVM 分类问题 智能优化算法、改进分类器SVM

很好用的有关矩阵的各种操作，包括求逆，特征值，特征向量，svd分解等c++语言

PICKPEAKS 类似于 MATLAB 的 FINDPEAKS； 它返回输入 X 的局部峰值及其索引。主要区别在于 PICKPEAKS - 更快（对于大向量要快得多）， - 允许 X 是一个 2D 矩阵（不仅仅是一个向量），并且用户可以指定跨哪个维度寻找峰值。 - 选择波峰或波谷。 - 不提供 FINDPEAKS 选项“THRESHOLD”。 - 不提供 FINDPEAKS' 选项：'MINPEAKHEIGHT'、'NPEAKS'、'SORTSTR'。 这些可以通过操纵输出轻松实现。 例如，如果 Vo、Io 是 PICKPEAKS 的输出，则以下将产生与将 'MINPEAKHEIGHT' 设置为 0.5 相同的结果： 我 = 发现（Vo<0.5）； Vo(i) = []; io(i) = []; 语法是[Vo,Io] = PICKPEAKS(X,npts,dim,mode); 用法

自然语言处理第二次作业： data文件夹中存储语料（中文语料以及英文语料由老师提供，另一份为中文停用词语料） output文件夹中存储输出的词向量文件 script文件夹中为CBOW的脚本，同时处理中文语料与英文语料 运行步骤：在脚本中确定训练中文或者是英语后，直接运行即可

使用 Wild Horse Optimizer (WHO) 的支持向量机 (SVM) 超参数优化（matlab代码） 我们使用 Wild Horse Optimizer 作为解决工程优化问题的强大且快速的元启发式算法，在分类问题中开发优化支持向量机算法超参数（内核、c、gamma） 首先，您可以使用任何带有编辑 Main.m 文件的数据集，然后单击运行

使用Haris Hawks算法对SVM进行超参数优化的Matlab代码

在许多三维人脸应用中,人脸姿态校正是数据预处理过程中的重要一步.针对三维人脸顶点法向量的分布特性,提出一种基于鼻子区域检测的三维人脸姿态自动化校正方法.首先,对三维人脸顶点法向量进行无监督聚类,将具有相似属性的三维人脸顶点聚集到一类;然后提出一种基于无向图的三维人脸分割算法,将三维人脸分割成为若干区域,每个区域使用平均自旋图描述;再使用支持向量机分类器挑选鼻子区域,并根据模板三维人脸的姿态,对输入人脸进行三维仿射变换;最后通过迭代最近点算法获得精确的姿态校正结果.实验结果表明,该方法优于已有方法.

论文将支持向量机的机器学习方法引入到医学图像的分类问题。首先概述 了支持向量机的理论基础和数学模型，着重介绍了支持向量机的推广能力和核 函数理论。其次介绍了一些主要的改进支持向量机学习算法，分析了这些算法 的优缺点。最后应用支持向量机方法对乳腺X线图像提取出来的特征样本进行 分类，采用交叉检验方法进行支持向量机核函数参数的选择，取得了较好的分 类准确率。