pent 用于估计Copula熵的R包 介绍 Copula熵是用于统计独立性度量的数学概念[1]。在双变量情况下，Copula熵被证明等同于互信息。与Pearson相关系数不同，Copula熵是为非线性，高阶和多元情况定义的，这使其普遍适用。 它具有广泛的应用，包括但不限于： 结构学习； 变量选择[2]； 因果发现（估计转移熵）[3]。 该算法包括两个步骤：使用秩统计量估计经验语料密度，以及使用kNN方法从估计的经验语料密度中估计语料熵。由于两个步骤都使用非参数方法，因此可以将copent算法应用于任何情况而无需进行假设。 在copent包的预印纸上的arXiv。有关更多信息，请参阅[1-3]。有关中文的更多信息，请点击。 功能 copent-主要功能; Construct_empirical_copula-算法的第一步，它通过秩统计来估计数据的经验copula; entknn-算法的

A Multi-indicator Feature Selection for CNN-Driven Stock Index Prediction

这是我们为基于BBPSO的特征选择而开发的Matlab工具箱，称为MIBBPSO。 该程序的详细信息可以在论文“Feature Selection Using Bare-Bones Particle Swarm Optimization with Mutual Information”中找到，该论文已提交给Pattern Recognition杂志。 在这个工具箱中，主函数被命名为“main”。

参数选择 要确定TFHE的参数，请运行lwe-estimator。

区域性的粒子特效,unity3d

Gallery Level Selection是一个非常可定制和完整的分页和滚动菜单包。

matlab svr代码支持向量机已成为解决各个领域分类和回归问题的重要学习技术。 然而，惩罚参数和内核参数的选择不当会显着降低 SVR 的性能。 自然地，没有启发式算法中低效的搜索策略和较长的搜索时间，元启发式已被引入作为与问题无关的技术，以在广泛的问题中获得可接受的最优值。 因此本程序旨在为SVM参数选择提供元启发式的仿真代码。 如何使用 基本的 GS-SVR 和 GA-SVR 演示可以在matlab-implement文件夹中找到。 [bestCVmse,bestc,bestg] = SVMcgForRegress(TrainL,Train,-8,8,-8,8,5,0.4,0.4) cmd = ['-c ',num2str(bestc),' -g ',num2str(bestg),' -s 3 -p 0.01']; 许多元启发式代码可以在 或 中找到。更多基于元启发式的算法可以通过ABC_SVM来ABC_SVM 。 待续。 调查报告 李赛、方华景和刘晓勇。 《基于正余弦算法的支持向量回归参数优化》。 具有应用程序的专家系统（2017 年）。 (SCI，影响因子：3.928，doi

一种迭代保留信息变量以在多元校准中选择最优变量子集的策略。 可以选择最优变量子集的方法。 在本研究中，一种考虑可能的策略提出了变量之间通过随机组合产生的交互作用，称为迭代保留信息变量 (IRIV)。 此外，变量被分为四类强烈信息量、弱信息量、非信息量和干扰变量。 在此基础上，IRIV 既保留了每个迭代轮中的强信息变量和弱信息变量，直到没有无信息和干扰变量存在。 三个数据集被用来研究 IRIV 的性能以及偏最小二乘法 (PLS)。

基于SVM进行特征选择。 利用了凸优化方法。

在Extjs4中，下拉多选得以支持，只需要设置Combobox的multiSelect值为true就可以了。但是有一些问题，就是下拉框选值、去除值友好性不高，必须点击下拉框中同样的项，才能选取或去除。 在官网论坛中，发现了一个插件，这个插件是扩展了Combobox多选功能，使得下拉多选更美观、好用。 更多Extjs4信息，请移步 http://www.mhzg.net