科学：使用科学计数法表示的任意精度浮点数

matlab系统聚类代码随机对战系列 RandomWarpingSeries（RWS）是用于生成时间序列矢量表示的简单代码，用于时间序列分类，聚类和回归。 该代码是WME中的WME的简单实现（Matlab，Matlab MEX和C的混合）（Wu等人，“随机变形序列：用于时间序列嵌入的随机特征方法”，AISTATS'18）。 我们将有关RWS的更多信息引至以下论文链接：。 先决条件 为了运行此代码，至少有两个必需的工具包。 您需要下载DTW，LibLinear或LibSVM并为您的操作系统（Mac，Linux或Windows）编译相应的MEX文件。 对于DTW： 对于LibSVM：或LibLinear： 对于单变量时间序列数据集，您可以从UCR时间序列集合（）或UEA时间序列集合（）下载一些数据集。 对于多元时间序列数据集，您可以从UCI机器学习存储库（）或您喜欢的应用程序中下载一些数据集。 通常建议先将数据进行Z形式化处理，然后再将其提供给我们的时间序列嵌入代码。 如何运行代码 请注意，为了获得最佳性能，必须搜索超参数DMax，sigma甚至lambda_inverse（用于使用SVM

循环矩阵出现在许多矩阵问题中，其中基础数学模型具有旋转对称性。 在许多问题中，问题表示不是简单的循环矩阵，而是块循环矩阵。 @BlockCirculant 对象允许块循环矩阵的紧凑表示。 它支持常见的矩阵运算，例如 +、-、*、\、逆、伪逆、下标和连接。 通过使用 FFT 执行典型的 O(N^3) 运算，可以为此类矩阵实现较大的加速因子。 矩阵可以是实数或复数。 该软件包包括@BlockCirculant 定义、一个测试程序和显示大型矩阵问题加速因子示例的文档。 此版本包括伪逆运算的文档更正和代码更正

基于matlab的svm的留一法代码实现AROMS-机器学习 机器学习的自动表示优化和模型选择框架-AROMS-Framework 这是AROMS-Framework的Matlab源代码的发布。 这是我在德国杜伊斯堡－埃森大学的智能系统小组（Intelligente Systeme）的博士项目的主要贡献。 我的博士学位论文题目为“机器学习的自动表示优化和模型选择框架”在线发表： 英博士Dipl.-Inf。 FabianBürger，2016年7月4日 与我联系的一种方法是：fabuerger | at | gmail | dot | com ==应用领域和方法== AROMS框架的应用领域是针对监督分类问题的数据处理管道的优化。 管道非常适合每项学习任务，由四个连续处理数据的元素组成： 特征选择元素选择有用的特征子集 功能预处理元素应用数据预处理方法，例如重新缩放，L2归一化或预白化 特征变换元素从流形学习和表示学习领域应用合适的特征变换，例如主成分分析（PCA），自动编码器或LLE（局部线性嵌入） 分类器元素包含分类器，并提供了多种选择，例如内核支持向量机（SVM），随机森林或人工神

用于概念生成设计的形状语法表示的设计转换

4.2.5基于神经网络的知识表示与推理 1.基于神经网络的知识表示 基于神经网络系统中知识的表示方法与传统人工智能系统中所用的方法(如产生式、框架、语义网络等)完全不同，传统人工智能系统中所用的方法是知识的显式表示，而神经 网络中的知识表示是一种隐式的表示方法。在这里，知识并不像在产生式系统中那样独立地表示为每一条规则，而是将某一问题的若干知识在同一网络中表示。例如，在有些神经网络系统中,知识是用神经网络所对应的有向权图的邻接矩阵及阈值向量表示的，如对图4.10所示的异或逻辑的神经网络来说，其邻接矩阵为

为了提高图像分类准确率，提出了一种基于低秩表示的非负张量分解算法。作为压缩感知理论的推广和发展，低秩表示将矩阵的秩作为一种稀疏测度，由于矩阵的秩反映了矩阵的固有特性，所以低秩表示能有效地分析和处理矩阵数据，把低秩表示引入到张量模型中，即引入到非负张量分解算法中，进一步扩展非负张量分解算法。实验结果表明，所提算法与其他相关算法相比，分类结果较好。

Representation Theory of Finite Groups

头歌-计组-计算机数据表示实验(HUST)

将正负的十进制小数转换为十六进制表示，如1.5转换为3fc00000;php实现