基于主成分分析和贝叶斯正则化BP神经网络的GDP预测

正则化工具

其中包含奇异值分解/L曲线/tikhonov正则化方法等正则化方法的matlab程序

编译原理课的大作业 包含三个小实验 在一个cpp文件里 正则表达式转换为nfa nfa转换为dfa dfa最小化 个人原创代码

搭建完整的神经网络，利用L2正则化优化，程序绝对可以完美运行。

1. 离散病态问题及其正则化 2. 正则化工具教程 3. 正规化工具参考

吴恩达深度学习Python完整代码，包含无正则化、L2正则化及Dropout三种情况并包含绘制边缘曲线，跑通视频已在压缩包，更加直观的证明本程序跑通并实现哪些功能

一般的空间模式(CSP)是一种在脑-机接口(BCIs)背景下对脑电图(EEG)信号进行分类的流行算法。本文介绍了一种小样本环境中CSP的正则化和聚合技术。常规算法基于基于样本的协方差矩阵估计。因此，如果训练样本的数量很少，其性能就会下降。为了解决这一问题，提出了一种正则化的CSP (R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。

稀疏度自适应正则回溯匹配追踪算法（SAMP algorithm based on regularized backtracking，SAMP-RB）是一种有效的压缩感知重构算法，在原子选择阶段引入回溯的思想，提高了重构精度，减少了重构时间。但SAMP-RB算法重构时采用步长不变的思想，容易因步长设置不合理而导致过估计或欠估计的问题。针对该问题，为提高残差大时的逼近速度，及残差小时的逼近精度，提出抛物线函数步长选择方法，并将其引入SAMP-RB算法。理论分析与仿真结果表明，改进后的变步长正则回溯稀疏度自适应匹配追踪算法在提高重构精度的同时，重构时间降低了20%左右，因此验证了改进算法的有效性。

个人学习时的一个总结，希望与各位一起总结交流==============================上个资源发布有问题，请下载这个资源