概述了非线性均衡算法在光传输系统中的必要性与重要性，阐述了经典的非线性均衡算法原理，指出了经典算法的缺点与局限性。结合近几年的研究现状，详细介绍了 4 种基于人工智能的非线性均衡算法，包括人工神经网络、支持向量机、无监督聚类和深度神经网络，并从性能、复杂度、实时性、应用灵活性等方面进行了对比，最后展望分析了基于人工智能的非线性均衡未来的发展趋势。
2021-12-14 10:17:43
811KB
1
这里面是机器学习里面聚类所需的数据集，分为人工的二维数据集，如月牙形，双螺旋型等，和UCI真实数据集，是我搜集好久才弄出来的，有一些二维数据集是自己生成的，提供给大家做算法实验。
2021-12-14 00:43:12
2.44MB
1
学校人工智能课程的一个小实验，实验要求实现k-means并探究：1)不同初始点，2)不同k值对实验结果的影响。文件中包含我的实现代码及报告和原始数据。
2021-12-13 20:06:22
699KB
1
为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题，对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法，它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的
2021-12-13 17:15:35
656KB
1
国家援助的聚类分析
聚类
国际帮助非政府组织是一个国际人道主义非政府组织，致力于在贫困和自然灾害期间与贫困作斗争，并为落后国家的人民提供基本的便利和救济。 它不时运行许多运营项目，并开展宣传活动以提高知名度和筹集资金。
经过最近的资助计划，他们已经能够筹集到大约1000万美元。 现在，非政府组织的首席执行官需要决定如何从战略上有效地使用这笔钱。 做出此决定时出现的重大问题主要与选择急需援助的国家有关。
这就是您成为数据分析师的地方。 您的工作是使用决定国家总体发展的一些社会经济和健康因素对国家进行分类。 然后，您需要建议首席执行官最需要关注的国家。
2021-12-12 14:19:49
3.05MB
1
GSDMM：短文本聚类
该项目为的Dirichlet混合模型实现了Gibbs采样算法，用于短文本文档的聚类。 该算法的一些优点：
它只需要集群数的上限K
通过良好的参数选择，模型可以快速收敛
空间高效且可扩展
该项目是GSDMM的易于阅读的参考实现，除非有需求，否则我不打算维护它。 不过，我积极维护更快锈版本GSDMM的。
电影组过程
在他们的论文中，作者介绍了一个简单的概念模型来解释GSDMM，称为电影组过程。
想象一下一位教授正在领导一个电影课。 在课程开始时，将学生随机分配到K表。 在上课之前，学生会列出自己喜欢的电影。 教授反复朗读班级角色。 每次调用学生姓名时，学生必须选择一个
2021-12-11 20:25:49
8KB
1
实现K均值聚类，并将结果进行可视化。灰色“+”代表均值中心；黑色“。”代表簇内部的数据点；彩色“。”代表簇边界的数据点，不同的颜色代表不同的簇（由于颜色有限，簇过多时存在颜色重复）
2021-12-11 12:20:31
6KB
1
提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.
2021-12-10 21:38:39
693KB
1