BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

基于matlab的光波导光纤数值仿真： 1.使用数值方法求解模式的特征方程 2.在 xy 平面画出波导允许的所有阶数的 TE 模场分布 3.使用高斯曲线拟合基模的光强分布 4.MTE 导模功率限制因子与归一化频率的关系 5.LP 模式数量，以及等效的矢量模式数量 6.计算不同参数情况下的模式等效折射率，画出光强分布曲线 7.分别计算不同参数情况下的模式等效折射率，画出光强分布曲线

行人检测数据集特征svm模型

feature-extraction-pipeline:用于从图像中以python计算形态和纹理特征的管道

矩阵的特征值与特征向量的性质： （1） 阶矩阵 的属于特征值 的全部特征向量再添上零向量，可以组成 的一个子空间，称之为矩阵 的属于特征值 的特征子空间，记为 ，不难看出 正是特征方程组 的解空间。(特征子空间是不变子空间) （2） 属于不同特征值的特征向量是线性无关的。

推荐系统中用户画像的深入理解！

由于之前收集的SIFT代码和文章过大(50多M)，不能一起上传，这附件里面只包括SIFT的C/C++实现（可用），需要的请下载。

第三届阿里云安全算法挑战赛-特征数据-数据集

DataScience：机器学习中特征工程之WOE编码(离散变量编码/有监督)的简介、计算过程、案例应用之详细攻略 (1)、什么是WOE编码 (2)、案例理解WOE编码 (3)、WOE编码技术的深度思考 (4)、为什么选择采用WOE编码？ (5)、WOE编码的优势 WOE编码—离散变量编码(有监督性的编码) 在建模前，我们需要把原始的值转化成WOE值才能使得模型效果好。 提出问题 怎样对字段的每个分段进行评分呢？这个评分是怎么来的？ 解决方案 WOE编码， 将预测概率值转化为评分， 利用变量相关性分析和变量的系数符号保证每个分箱评分的合理性。 分箱之后我们便得到了一系列的离散变量，下面需要对变量进行编码，将离散变量转化为连续变量。WOE编码是评分卡模型常用的编码方式。

汽车电子开发系统模型属性配置工作存在复杂性高、任务量大等特点，传统的配置开发方式在效率上已经越来越不能满足开发需求。因此为了提高配置开发效率，面向汽车电子系统Artop（autosar tool platform user group）模型，基于Artop模型属性的分析与特征提取，结合XML存储与解析的图形界面自动生成技术，设计一种模型属性编辑通用配置框架，为汽车电子模型属性编辑提供自动生成配置界面服务，具有非常重要的实用价值和研究意义。该通用框架相较于行业内的传统配置方式具有一定的创新性。实验证明，通用框架的设计实现具有较高的可行性和可扩展性。