对于通常数据维数很大的医学成像/生物数据，典型的 LDA 应用程序由于试图反转一个不可能的大矩阵而失败。 这可以使用内核技巧来补救。 当前文件尝试执行此操作。 如果您将此作品用作作业/论文/论文的一部分，请引用以下论文： Gaonkar、Bilwaj 和 Christos Davatzikos。 “基于支持向量机的多元图像分析和分类的统计显着性图的解析估计。” NeuroImage 78 (2013): 270-283。 请注意，此代码是作为上述论文工作的一部分开发和分发的，引用这有助于我们开发和分发更多此类工作。 我已经尝试在代码中加入适当的注释，这段代码的灵感来自于之前在 matlab central 上提交的几个代码

为了解决蝶形优化算法（BOA）容易出错的问题准确度和收敛速度较慢，研究的趋势是将两个或多个算法混合以获得一个优化问题领域的高级解决方案。 提出了一种新的混合算法，即HPSOBOA，并介绍了三种改善基本BOA的方法。 因此，初始化介绍了使用三次一维图的BOA模型，并给出了非线性参数控制策略也执行。 此外，将粒子群优化（PSO）算法与BOA为了改进基本的BOA进行全局优化。 有两个实验（包括进行了26项著名的基准测试功能，以验证提议的有效性算法。 实验的比较结果表明，杂种HPSOBOA收敛Swift与高维数值优化问题相比具有更好的稳定性。 PSO，BOA和其他各种著名的群体优化算法。

pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

sf滤波器matlab代码显着性HDCT 在Matlab中实现“通过高维颜色变换和局部空间支持进行显着区域检测” 抽象的 在本文中，我们介绍了一种通过高维颜色变换自动检测图像显着区域的新颖技术。 我们的主要思想是将图像的显着性图表示为高维色彩空间的线性组合，其中显着区域和背景可以有区别地分开。 这是基于这样的观察：在人类感知中，显着区域与背景相比通常具有独特的颜色，但是人类感知通常是复杂且高度非线性的。 通过将低维RGB颜色映射到高维颜色空间中的特征向量，我们表明可以通过在高维颜色空间中找到颜色系数的最佳线性组合来将突出区域与背景线性分离。 我们的高维色彩空间结合了多种颜色表示形式，包括RGB，CIELab，HSV以及伽玛校正，以丰富其代表性功能。 我们在三个基准数据集上的实验结果表明，我们的技术是有效的，并且与以前的最新技术相比，它在计算上是有效的。 注意：我们的代码需要VLfeat库，可以从以下位置下载该库： 用法 安装所需的库并进行编译： VLfeat（） 直方图距离工具箱（） SQBlib（） 将测试图像保存在“图像”文件夹中。 运行main.m 我们在Windows 7环境的

高维数据课程PPT

几何问题的安全多方计算在保密位置判断、保密数据查询等方面有着重要的应用价值。但目前大多数几何问题的研究主要集中在平面几何,很少涉及空间几何。文章从一个军事实际问题出发,首先利用两方置换协议和同态加密算法保密计算了空间几何中2个高维向量差的范数,并用模拟范例证明了此方案的安全性。接着,利用此方案设计了空间几何中平行四边形面积的保密计算协议。不同于以往的方案,协议使用了一个有关安全两方置换问题的转化技巧,避免了以往方案中出现的高次模指数运算,因此效率较高;由于方案不局限于三维向量,适合于任何高维向量,更具有普遍意义。

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

此源代码实现了2018年IEEE进化计算大会（ 举办的大规模全球优化竞赛的获胜者 该实现是使用numpy在Python 3中完成的。 此源代码可根据通用公共许可证（GPLv3）免费获得。 但是，如果在研究论文中使用它，则应参考原始工作： “ Molina，D.，LaTorre，A。Herrera，F。SHADE通过迭代局部搜索进行大规模全局优化。2018年度会议，IEEE进化计算大会，里约热内卢，巴西，2018年7月8日至13日， pp 1252-1259“ 它在WCCI 2018中特别是在IEEE进化计算大会上进行了介绍。 。 安装 建议使用 source install.sh 该命令将在venv目录中创建具有所有必需依赖项的虚拟环境（virtualenv）。 跑 准备使用大规模全球优化CEC'2013基准进行实验的源代码。 参数： python shadeils -f -

小波分析基本上可以说是一门应用数学学科，它并不需要太多、太深的数学基础知识便可人门但是因为小波分析来自于调和分析，因而调和分析的某些基础知识应该被假定已知好在这些基础知识在任何一本有关调和分析的教科书中都是容易找到的，因而我们只是引用便可.

高维数据能充分表达复杂事物的信息,但高维数据自身表达和处理复杂,妨碍了它的实际应用。阐述了用降维算法和构建索引结构来解决高维数据降维问题。以数据对象变异最大方向的投影作为特定数据对象集的主成份,将聚类分析引入高校数据资源的预处理环节,实现了数据对象集合的聚类归约。给出应用实例,为深入探索相关模式提供有效的分析方法。