模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读，把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程，其过程的一个重要形式是生命体对环境及客体的识别。模式识别以图像处理与计算机视觉、语音语言信息处理、脑网络组、类脑智能等为主要研究方向，研究人类模式识别的机理以及有效的计算方法。

典型相关分析matlab实现代码 流形学习和图形内核 Torsello教授举办的人工智能课程的第三次作业 伯纳迪·里卡多-864018 指数： [目录] 1.问题陈述 阅读本文，提出提高图形内核区分能力的方法。 从中选择一个图形内核 最短路径内核 Graphlet内核 随机游走内核 Weisfeiler-Lehman内核 从中选择一种多样的学习技术 等值线图 扩散图 拉普拉斯特征图 局部线性嵌入 在以下数据集上比较在给定内核上训练的SVM的性能（有或没有流形学习步骤）： 生产者价格指数 震惊 注意：数据集包含在Matlab文件中。 变量G包含一个单元格向量，每个图一个。 每个像元的条目是图的邻接矩阵。 变量标签包含每个图的类标签。 新增我添加了带有图表和lavel邻接矩阵的csv版本的zip文件。 文件graphxxx.csv包含邻接矩阵，每个文件一个，而labels.csv文件包含所有标签。 生产者价格指数 震惊 2.简介 我们将在本文中解释我们在提供的两个数据集（称为PPI和SHOCK）上进行的实验。 PPI数据集处理蛋白质蛋白质相互作用，它由86个代表蛋白质的图组成，我们希望在它

数据融合matlab代码流形学习 嗨，伙计们， 我的大多数是机器学习和模式识别。 我的博士学位论文题目为“流形学习与稀疏表示的组合，用于波斯手写数字和字符识别”。 为了减少高维数据的维数，我在使用流形学习（ML）方法方面有一些经验。 流形学习方法是一种降维方法，它强调在低维表示空间中保留流形的结构特征。 在该存储库中，已表达了常用ML方法的Matlab代码和我提出的ML方法（已发布）。 已实施的多种学习方法的列表： 局部线性嵌入（LLE）， 拉普拉斯特征图（LEM）， 本地保护投影（LPP）， 基于互邻的LLE（MN-LLE）， 基于互邻的LEM（MN-LEM）， 基于对角载荷的LLE（DL-LLE）， 随机LEM（SLEM）， SLEM和LLE（FSLL）的融合

坐标转换 坐标与坐标转换 *

这是一本讲述微分流形的入门书。我在学校的图书馆偶然看到了这本书的纸质版，看过后觉得不错。也许这本书不是那么有名，不过写的很浅近，这就是这本书的可爱之处。对于想了解关于微分流形思想和计算方法的人来说这是一本不错的入门书。所以我设法搞到了这本书的电子版，仅供各位参考。

t-Distributed Stochastic Neighbor Embedding (t-SNE) is a (prize-winning) technique for dimensionality reduction that is particularly well suited for the visualization of high-dimensional datasets. The technique can be implemented via Barnes-Hut approximations, allowing it to be applied on large real-world datasets. We applied it on data sets with up to 30 million examples. The technique and its variants are introduced in the following papers: L.J.P. van der Maaten. Accelerating t-SNE using Tree-Based Algorithms. Journal of Machine Learning Research 15(Oct):3221-3245, 2014. PDF [Supplemental material] L.J.P. van der Maaten and G.E. Hinton. Visualizing Non-Metric Similarities in Multiple Maps. Machine Learning 87(1):33-55, 2012. PDF L.J.P. van der Maaten. Learning a Parametric Embedding by Preserving Local Structure. In Proceedings of the Twelfth International Conference on Artificial Intelligence & Statistics (AI-STATS), JMLR W&CP 5:384-391, 2009. PDF L.J.P. van der Maaten and G.E. Hinton. Visualizing High-Dimensional Data Using t-SNE. Journal of Machine Learning Research 9(Nov):2579-2605, 2008. PDF [Supplemental material] [Talk] An accessible introduction to t-SNE and its variants is given in this Google Techtalk.

基于图的流形排序的多层级融合显著性目标检测，李翠萍，陈振学，针对基于图的流形排序的显著性目标检测方法在突出显著性物体和抑制背景方面的不足，提出一种基于图的流形排序的多层级融合显著性

基于流形距离的人工免疫无监督分类与识别算法.pdf

利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.

高性能地学计算与地球空间信息科学技术研讨会 Workshop on High Performance Geocomputation and Geoinformatics 2009年12月19日