一种基于MDS的高维数据降维与可视化方法 ，任珂，马志强，降维与可视化是分析高维数据的有效手段。传统数据降维技术计算效率低，准确性较差，无法帮助分析者更深入理解和认识数据。因此，

一种面向高维数据的DS-ALasso变量选择方法，邱建荣，罗汉，变量选择是高维数据分析的重要环节，Laaso方法不具有Oracle性质且存在在处理维数大于样本量的数据结构时只能选取个变量的缺点，为解�

变量相关情况下高维数据变量选择方法，段乾鹏，郑少智，当变量之间具有较强相关性时，单个惩罚函数的变量选择方法效果会大大降低。文章提出组合惩罚的系数的拉普拉斯收缩变量选择方法，

为保证数字图像在传输过程中的安全问题,通过分析传统的基于高维混沌系统的图像加密算法,提出了一种图像加密改进算法。将位置置乱和像素替换加入到每次迭代中,并使加密数据流与明文信息相关,弥补了传统算法在应用中的漏洞和不足。理论分析和仿真实验表明,该算法具有良好的保密性和加密效果,密文对明文或初始密钥的任何微小变化具有强烈敏感性,相邻像素满足零相关性,具有较强的安全性和可操作性。

采用非线性控制系统的微分几何理论,将原混沌系统进行输入-输出部分线性化,并 结合极点配置方法,在一定的假设前提下,设计了一个实现高维混沌系统同步控制的反馈控制器,该方法可用于同步由单个状态变量或多个状态变量线性或非线性组合形成的多输出信号的同步。 所提出的控制器的设计方法简单、直观,并且具有相当的灵活性,可适用于相当广泛的非线性系 统,计算机仿真结果证实了所设计控制器的有效性。

全k近邻（all k-nearest neighbor，AkNN）查询，是k近邻查询的一个变型，旨在在一个查询过程中为给定数据集的每个对象确定k个最近邻。提出了一种在Hadoop分布式平台下处理高维大数据的AkNN查询算法。首先使用行条化思想结合p-stable LSH算法将高维数据对象降维，然后结合空间填充曲线Z-order的优良特性，把降维后的数据嵌入一维空间中，接着进行范围查询。整个过程使用MapReduce框架分布式并行处理。实验结果表明，所提出的算法可以高效处理高维大数据的AkNN查询。

高维禁用_NOH-AN00 102.0.0.168_Firmware_HarmonyOS 2.0.0_05016QEW 固件 刷机包 卡刷包 救砖包

DFT的matlab源代码 高维神经网络潜能（HDNNP） 这是高维神经网络电位（HDNNP）的实现，旨在以高灵活性，高React性有效地重现密度泛函理论（DFT）的计算。 在日语中有等效的文档。 安装 通过git安装此项目。 $ git clone https://github.com/ogura-edu/HDNNP.git # or if using ssh $ git clone git@github.com:ogura-edu/HDNNP.git 该项目用于开发工作流程。 如果没有，请运行此命令进行安装。 苹果系统 $ brew install pipenv 其他 # please run after installing python $ pip install pipenv 设置 通过Pipenv（首选） 与anaconda相同，但是您需要安装python而不是anaconda。 该错误将在不久的将来的版本中修复（参考：）。 将环境变量PIPENV_VENV_IN_PROJECT设置为1以将VM创建到此项目目录（ /path/to/HDNNP/.venv ）。 export

【优化求解】基于粒子群的混沌混合蝴蝶优化算法求解高维优化问题matlab源码.md

Lasso方法与其他特征选择一样,对高维海量或高维小样本数据集的特征选择容易出现计算开销过大或过学习问题(过拟合)。为解决此问题,提出一种改进的Lasso方法:迭代式Lasso方法。迭代式Lasso方法首先将特征集分成K份,对第一份特征子集进行特征提取,将所得特征加入第二份,再对第二份特征进行特征提取;然后将所得特征加入第三份,依次迭代下去,直到第K份,得到最终特征子集。实验表明,迭代式Lasso方法能够很好地对高维海量或高维小样本数据集进行特征选择,是一种有效的特征选择方法。目前,此方法已经很好地应用在高维海量和高维小样本数据的分类或预测模型中。