向量的运算借鉴.pdf

通过对支持向量机的应用，解决两类经典问题：鸢尾花数据集分类及数字图像识别，并注释原理，帮助大家学习理解

使用gensim对维基百科作为预训练语料（约1.6G语料），生成词汇量约13000个词汇，维度为300，文件大小为45.6MB。使用方法，参考博客：https://blog.csdn.net/qq_36426650/article/details/87738919

计算协方差矩阵的特征向量和特征值 eigenvectors：协方差矩阵C的特征向量 eigenvalues：协方差矩阵C的特征值 特征矢量组成模式矢量 求出特征值后，按照特征值由大到小排序，给出重要级级别 对相应位置的特征向量按照特征值位置变化进行调整 C

基于 LMS 训练实现低复杂度分类器基于简单 RBF 单元的非线性扩展特征空间。 单位的中心是从使用基于新颖性的简单搜索算法训练样本检测。 相关论文： R. Dogaru，“具有简单构造的面向硬件的分类器基于支持向量的训练”，在 CSCS-16 的 Proceedings of CSCS-16 中， 第 16 届控制系统和计算机科学国际会议， 2007 年 5 月 22 - 26 日，布加勒斯特，第 1 卷，第 415-418 页。 多加鲁，R。 多加鲁, I., “使用支持向量的高效有限精度 RBF-M 神经网络架构” 电气工程中的神经网络应用 (NEUREL)，2010 年第 10 届研讨会数字对象标识符：10.1109/NEUREL.2010.5644089 出版年份：2010 年，页数：127 - 130

支持向量机用于可靠性评估，详细介绍了支持向量机和可靠性评估相关理论，并用具体实例验证了模型。

机器学习——支持向量机思维导图

最新 libsvm 3.20 支持向量机

基于信号子空间的ESPRIT算法不需要进行谱峰搜索，但是估计方差大于MUSIC算法。该文提出了一种基于广义特征向量的ESPRIT算法，利用信号子空间旋转不变关系矩阵的广义特征向量估计信号波达方向，得到了比基于广义特征值算法更准确的方向估计结果。该算法充分利用了信号子空间的旋转不变特性，通过利用信号子空间与阵列流形的关系进行波达方向估计，实验证明该算法能够在保持小计算量的优势下达到与MUSIC算法相近的性能。

要运行的文件：mainproc.m 控制向量参数化，也称为直接序列法， 是求解最优控制问题的直接优化方法之一。 直接优化方法的基本思想是将控制问题离散化，然后将非线性规划 (NLP) 技术应用于最终的有限维优化问题。 问题是您希望从时间 $t = 0$ 的 $A=(0,0)$ 转向接近时间 T 的 $B=(4,4)$ 点。运动发生在 $ x_1, x_2$ 平面。 您的控制变量是推力 $u$ 和推力角 $\theta$。 角度 $\theta$ 是从 $x_1$ 轴测量的。 为了让生活变得有趣，在 (3,0) 处有一个大质量，它施加的力与您与质量的距离的平方的倒数成正比。 （详情见发布代码） *问题来自NCSU的“最优控制”课程（由Stephen Campbell博士主持）。