物流人工智能_机器学习

3-决策树与集成算法.7z

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

安全技术-网络信息-选择性神经网络集成算法研究.pdf

集成算法PPT包括Bagging和AdaBoost

旋转森林在参考文献“Juan J. Rodriguez 和 Ludmila I. K, Rotation Forest: A New Classifier Ensemble Method, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.28, No. 10, PP.”中提出。 1619-1630 年。 ” 这个文件 'RotationForest.zip' 只是根据这个 ref 编码的。 在此文件中，'example' 是使用旋转森林算法的子函数 'RotationFal.m' 的示例。

Python数据分析与机器学习-Xgboost集成算法 Python数据分析与机器学习-Xgboost集成算法

使用python实现adaboost算法实现过程，对于理解adaboost算法有很好的帮助

matlab位置解算代码吉纳夫 注意：该程序仍在开发中，GINav 中可能存在一些错误。 欢迎广大用户提出意见和建议，请发送给作者()。 如果您对GINav算法感兴趣，可以加入GINav讨论群（ QQ:533185090 ）。 此外，基于C语言的GINav将适时在Github上发布。 介绍 GINav是一款开源软件，专注于GNSS/INS综合导航系统的数据处理和分析，也可以处理多星座多频GNSS数据。 GINav 适用于车载情况，旨在为进行 GNSS/INS 相关研究提供有用的工具。 它是测试新算法和实验功能的便捷平台。 GINav 是在 MATLAB 环境中开发的。 它提供了一个用户友好的图形用户界面（GUI），以方便用户快速学习如何使用它。 提供了一个可视化工具 GINavPlot，用于解决方案展示和错误分析。 该软件的主要特点是： 支持GNSS绝对定位模式，包括标准单点定位（SPP）和精确单点定位（PPP） 支持GNSS相对定位模式，包括后处理差分、运动和静态（PPD、PPK和PPS） 支持多星座多频GNSS数据处理 支持GNSS/INS松耦合（LC）模式，包括SPP/INS L

Python的DeepSuperLearner（2018） 这是机器学习的DeepSuperLearner算法（一种用于分类问题的深度集成方法）的实现。 有关DeepSuperLearner的详细信息，请参阅 Super Learner：有关分类问题的深度合集，作者是Steven Young，Tamer Abdou和Ayse Bener。 安装和演示 克隆此存储库 git clone https://github.com/levyben/DeepSuperLearner.git 安装python库 cd DeepSuperLearner python setup.py install 例子： ERT_learner = ExtremeRandomizedTrees ( n_estimators = 200 , max_depth = None , max_features =