qq_36911630-CSDN博客

原创五大压缩思想

压缩的官方定义为：一种通过特定的算法来减小计算机文件大小的机制。这种机制是一种很方便的发明，尤其是对网络用户，因为它可以减小文件的字节总数，使文件能够通过较慢的互联网连接实现更快传输，此外还可以减少文件的磁盘占用空间。简单来说，压缩实质是对冗余信息的一种简化表示。由于当前数据可以用一种更简洁的方式表示，进而用更小的存储空间即可存储，因此才有了压缩的存在。

2024-09-25 17:49:17 557

原创 LZ77压缩算法

LZ77算法是一种无损数据压缩算法，由Abraham Lempel和Jacob Ziv于1977年提出。它是一种字典编码方法，通过查找数据中重复出现的字符串，并用较短的标记来替代这些字符串，从而实现压缩。

2024-09-24 18:05:24 899

原创 Adaboost-集成学习分类器

AdaBoost（Adaptive Boosting）是一种集成学习算法，该算法的泛化逻辑为：通过一些简单的规则的整合得到一个整体，使得整体的性能比任何一个部分都高。该算法是由Yoav Freund和Robert Schapire在1995年提出。它通过组合多个弱学习器来构建一个强学习器，特别关注那些之前被错误分类的数据点，确保这些点在后续的训练中得到更多的注意，从而提高整体的学习效果。

2024-09-23 14:40:34 730

ICA的基本假设是观测到的多维信号是若干个独立成分的线性组合，这些独立成分在统计上是相互独立的，且至少有一个是非高斯分布的。这些声音信号在时间上是混合的，我们的目标是使用ICA将这些混合的信号分离，恢复出每个人的声音。白化是ICA分析的一个重要步骤，它简化了后续的分离过程。使用最终的权重矩阵 $ W $ 将白化后的信号投影回，得到分离后的信号矩阵 $ S $ ，其中每一行代表一个分离出的独立信号。：ICA假设观测到的信号是由统计独立的源信号线性组合而成，这些源信号是未知的，但它们之间没有相互关系。

2024-09-20 15:07:18 775

原创信号处理 - EMD分解

MEEMD在检测出CEEMD分解的异常分量之后，直接进行EMD分解，不仅能够抑制EMD分解过程中的模态混淆，而且减小了计算量，缩小了重构误差。：针对二维信号，如图像，提出了二维EMD的实现方法。通过理论和计算实践分析比较了不同的插值方式，提出了结合三角剖分插值和径向基函数插值的BEMD实现方法，以及针对径向基函数插值方式的快速方法，提高了计算速度。：通过在信号中加入白噪声，然后对每个加噪后的信号进行EMD分解，最后将所有分解得到的IMFs进行总体平均，以消除噪声的影响。

2024-09-19 13:42:27 741

原创层次聚类法：凝聚和分裂

凝聚层次聚类是一种自底向上的方法，它开始时将每个数据点视为一个单独的簇，然后在算法的每一步中找出距离最近的两个簇进行合并，直到达到预设的簇数量或某个终止条件。分裂层次聚类是一种自顶向下的方法，它开始时将所有数据点视为一个簇，然后在每一步中选择最合适的簇进行分裂，直到每个数据点都是一个单独的簇或达到预设的簇数量。最后，继续合并剩余的簇，直到所有数据点都被聚成一个大簇。首先，将每个数据点视为一个独立的聚类簇，即初始时有七个聚类簇：{A}, {B}, {C}, {D}, {E}, {F}, {G}。

2024-09-18 09:25:45 874

原创 FP-growth频繁项快速搜索

FP-growth算法的核心是构建一个称为“FP树”的紧凑数据结构，通过两次扫描数据库来构建这棵树，然后通过递归地挖掘条件模式基（Conditional Pattern Bases）来发现频繁项集。例如，在推荐系统中，可以通过挖掘用户购买行为的频繁项集，发现用户的购买习惯，从而进行个性化推荐。3. **挖掘频繁项集**：从FP树中递归挖掘频繁项集，对于每个项，找到其条件模式基，构建条件FP树，然后递归挖掘。1. **第一次扫描**：统计所有项的出现次数，并根据支持度阈值删除不满足条件的项。

2024-09-18 09:06:45 283

原创 STL分解

其中，趋势成分反映了数据的长期变化趋势，季节成分反映了数据的周期性变化，而残差成分则是剔除趋势和季节性后的数据，反映了数据的随机波动。STL分解适用于加法模型，如果数据更适合乘法模型（即季节性和趋势的幅度随时间变化），则需要对数据进行对数转换后进行STL分解，然后再转换回原始尺度。2. 设置参数：确定季节性周期（`period`），季节性平滑参数（`season`），趋势平滑参数（`trend`）。- 趋势平滑：对去周期后的数据进行Loess平滑，以估计趋势成分。- 去周期：从去趋势数据中去除季节性成分。

2024-09-13 17:45:18 343

原创 SLPA社区发现算法

假设有一个简单的网络，包含节点A、B、C、D、E，其中A与B、C相连，B与C、D相连，C与D、E相连，D与E相连。最终，可能会形成如A{1}, B{1,2}, C{2}, D{2}, E{2}的标签分布，表示社区结构。其中，节点B拥有两个标签{1,2}是因为在算法的迭代过程中，B节点从其邻居节点（作为Speaker）接收到了这两种标签。：每个节点（A、B、C、D、E）被赋予一个唯一的标签，例如A=1，B=2，C=3，D=4，E=5。- 节点标签的初始化：初始标签的分配可能影响最终的社区发现结果。

2024-09-12 11:49:52 340

原创 MTF压缩

第一个A：移动到前，列表 = `[A, B, C, D]`，编码 = `0`- 第二个A：移动到前，列表 = `[A, B, C, D]`，编码 = `0`- 第三个A：移动到前，列表 = `[A, B, C, D]`，编码 = `0`- 第四个A：移动到前，列表 = `[A, B, C, D]`，编码 = `0`- 第一个B：移动到前，列表 = `[B, A, C, D]`，编码 = `1`- 第二个A：移动到前，列表 = `[A, D, C, B]`，编码 = `0`

2024-09-10 13:53:19 374

原创 BWT压缩

1. **输入字符串**：首先，输入一个待压缩的字符串，并在字符串的末尾添加一个特殊的结束符号（如`$`），以确保字符串有一个明确的结束。4. **输出变换结果**：提取排序后的每一行的最后一个字符，将这些字符连起来形成一个新的字符串，这就是BWT变换的输出。3. **提取最后一列**：将排序后的每一行的最后一个字符提取出来，形成一个新的字符串，这就是BWT变换的结果。2. **生成所有后缀**：生成输入字符串的所有后缀，包括原始字符串本身和通过循环移位得到的后缀。2. **字典排序**：排序后得到。

2024-09-09 13:49:06 416

原创机器学习 - 结合具体应用的SVD分解

在这里，我们选取200个动力电池数据作为样本，每个样本选择9个梯次的数据，得到一个200行，9列的矩阵，首先属于容量衰减过快的数据有66个，构建成一个8*9的矩阵，对该矩阵进行SVD分解，得到左奇异矩阵和右奇异矩阵，其中左奇异矩阵的行数为9，右奇异矩阵的行数为8，即左奇异矩阵有9个奇异向量，右奇异矩阵有8个奇异向量，在使用时，根据需要，选取需要的奇异向量，左奇异向量表示的是该8*9矩阵的特征，右奇异向量表示的是该矩阵与逆矩阵乘积矩阵的特征。

2023-11-14 23:49:21 62 1

qq_36911630的博客