-
-
-
-
比较轨迹聚类方法：比较轨迹数据集上的不同聚类方法和相似性度量
比较轨迹聚类方法
这是我的模式识别课程学期项目。 目标是在民用飞行数据上比较4种聚类算法（k型，高斯混合模型，dbscan和hdbscan）。 可以在report.pdf文件中找到更多详细信息。
产生的集群如下所示：
应用轨迹分割以减少采样点的数量，并使用hausdorff距离比较轨迹之间的相似性。
更新（2019年2月）
添加了一个演示项目的每个步骤。 首先请看一下，它比项目的其他部分更短，更容易理解。 它还在公共数据集上显示了这些步骤。
公开数据集：
集群轨迹：
-
谣言：Rumale是Ruby中的机器学习库
... Ruby中的机器学习库。 Rumale为机器学习算法提供的接口类似于Python中的Scikit-Learn。 Rumale支持支持向量机，逻辑回归，岭，套索，多层感知器，朴素贝叶斯，决策树，梯度树增强，随机森林，K均值，高斯混合模型，DBSCAN，谱聚类，多维标度，t-SNE ，Fisher判别分析，邻域分量分析，主分量分析，非负矩阵分解和许多其他算法。
安装
将此行添加到您的应用程序的Gemfile中：
gem 'rumale'
然后执行：
$ bundle
或自己安装为：
$ gem ...
-
数据可视化
... 年的袭击这个互动式动画空间分析展示了这十年来恐怖组织如何从尼日利亚－尼日尔－乍得边界扩展到尼日利亚其他地区，然后才被迫撤回。
美国公众的两极分化，消极情绪和党派力量根据我一直在研究的2014年中期选举数据集， 3D可视化反映了当时美国舆论的关键方面。 我也用过DBSCAN算法（无监督机器学习算法） 来检测潜在的集群（找到2个投票者集群）。
国会中最word的州是哪些？ 三十年来众议院演讲的证据为了这互动图中，我从过去三十年的每日国会记录中提取了数据，并绘制了各州代表的平均发言时间。 可以将鼠标悬停在 ...
-
parallelized-dc：并行图分区方法，旨在处理基于密度的聚类算法
并行直流
增强社交网络社区检测的并行图分区方法
在社交网络中检测社区的需求一直充满挑战，尤其是在分析大型网络时。 因此，我提出了一种基于所谓的子树拆分策略的新分区算法。 该算法设计用于基于密度的算法，例如NetSCAN或DBSCAN。 该算法的目标是针对以下细节将图结构分为n个较小的组件：
分区过程保持分区的连接性。
该算法策略还允许分区之间的节点重叠。
出版作品
这项工作发表在第25届IEEE计算机与通信研讨会（ISCC）上。
YouTube演示文稿链接： :
文章 ...
-
基于机器学习的可见光通信信号处理研究现状
... 前景的通信手段。然而,可见光通信中的各种非线性效应会给其信号处理带来诸多的困难,并恶化系统的性能。机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然具有巨大的研究价值。已有研究表明,传统的机器学习算法如K-means、DBSCAN以及支持向量机(SVM)等在预均衡、后均衡、抗系统抖动,以及相位纠正等方面均有很好的表现。而深度神经网络(DNN)则因为其强大的非线性拟合能力能够更进一步提升VLC系统的性能。对以上几种方法进行了分析和介绍,并对其在可见光通信信号处理领域的应用 ...
-
基于深度图的三维激光雷达点云目标分割方法
... 高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。
-
无人监督_学习_波士顿_马拉松
Bostion_Marathon数据集的无监督学习
应用无监督学习算法：
K均值
K原型
DBScan（待更新）
寻找每个集群的特征
-
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
