MATLAB实现PCA-BiLSTM主成分降维结合双向长短期记忆神经网络多输入单输出回归预测（完整源码和数据） 数据为多输入回归数据，输入12个特征，输出1个变量。 运行环境MATLAB2018b及以上。

无人机技术基础

摘要针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点，提出了光谱分析的预处理、特征提取以及定量分析的有效方法。采用小波算法对光谱数据进行压缩和降噪处理，

物流人工智能_机器学习

安徽 0.59 35 47 146 46 20 32.83 2488 0.33 5628 云南 0.66 36 40 130 44 19 28.55 1974 0.48 9106 江西 0.77 43 63 194 67 23 28.81 2515 0.34 4085 海南 0.70 33 51 165 47 18 27.34 2344 0.28 7928 内蒙古 0.84 43 48 171 65 29 27.65 2032 0.32 5581 西藏 1.69 26 45 137 75 33 12.10 810 1.00 14199 河南 0.55 32 46 130 44 17 28.41 2341 0.30 5714 广西 0.60 28 43 129 39 17 31.93 2146 0.24 5139 宁夏 1.39 48 62 208 77 34 22.70 1500 0.42 5377 贵州 0.64 23 32 93 37 16 28.12 1469 0.34 5415 青海 1.48 38 46 151 63 30 17.87 1024 0.38 7368

受成分限制的基于注意力的网络（CrabNet） 该软件包实现了成分受限的基于注意力的网络（ CrabNet ），该网络仅采用成分信息来预测材料特性。 目录 如何引用 安装 复制出版物结果 使用CrabNet或DenseNet训练或预测材料属性 如何引用 如果要使用CrabNet请引用以下工作： (insert BibTeX citation) 安装 此代码使用PyTorch创建神经网络模型。 为了进行快速的模型训练和推理，建议您使用带有最新驱动程序的NVIDIA GPU。 Windows用户应该可以按照以下步骤通过Anaconda安装所有必需的Python软件包。 Linux用户还需要

偏最小二乘判别式的类分离评估使用 Hotelling 的 T2 进行分析或主成分分析。 输入数据：具有 N 个样本和 M 个变量的 N x M 矩阵classVec：带有数字类标签的 N x 1 向量 参考AM Goodpaster，马肯尼迪，Chemom。 英特尔。 实验室系统。 109, 162–170 (2011)。

【图像识别】基于主成分分析PCA实现视频人脸识别matlab源码.md

核主成分分析法，使用python实现。应对非线性数据，先使用核技巧映射高维使之线性可分，之后再用PCA方法将高维降到低维，理论上可从无穷维降到一维或二维，将数据变为线性可分。此程序中既包含了手工制作的KPCA全过程，也有直接从sklearn调用包直接实现。里面有详细的代码注释，核分块注释，可以截取自己需要的部分。直接套用的话，使用最前面一段代码替换数据即可

针对现有的红外与可见光图像融合算法存在融合图像的对比度与清晰度降低和细节纹理信息丢失等问题,提出将鲁棒主成分分析(RPCA)、压缩感知(CS)和非下采样轮廓波变换(NSCT)相结合的融合算法。首先对两幅源图像分别进行预增强处理,应用RPCA分解得到相应的稀疏分量和低秩分量;然后对稀疏矩阵利用结构随机矩阵压缩采样,利用高斯梯度-信息反差对比度(GG-DCI)压缩融合,经正交匹配追踪法(OMP)重构;接着对低秩矩阵采用NSCT分解成低频子带和高频子带,低频子带选用区域能量-直觉模糊集(RE-IFS)融合,最高频子带利用最大绝对值规则融合,其他高频子带选用自适应高斯区域方差融合;最后将融合后的稀疏分量和低秩分量叠加得到融合图像。实验结果表明,本文算法相比其他算法能够更好地提高融合图像的对比度和清晰度,保留了丰富的细节纹理信息,客观评价指标也总体优于现有算法,有效提升了红外与可见光图像的融合效果。