- 博客(69)
- 收藏
- 关注
RSS订阅原创 使用Linux别名简化命令输入
在Linux环境下工作时，我们经常需要输入长长的命令，这不仅耗时而且容易出错。Linux提供了一种名为“别名（alias）”的功能，可以让我们为这些长命令定义简短的名称。通过使用别名，我们可以大大提高工作效率并减少输入错误。
2024-03-25 00:25:23
411
原创 服务器下安装matlab无法出现图像化界面、matlab环境变量配置
matlab目录/bin/glnxa64/MATLABWindow。设置MATLABWindow 权限为777 成功出现图像化界面！
2023-06-04 20:53:26
616
原创 滑动窗口系列题
参考：https://leetcode.cn/problems/find-all-anagrams-in-a-string/solutions/9749/hua-dong-chuang-kou-tong-yong-si-xiang-jie-jue-zi-/也叫做「虫取法」，非常生动形象。因为。以右指针作为驱动，拖着左指针向前走。右指针每次只移动一步，而左指针在内部 while 循环中每次可能移动多步。右指针是主动前移，探索未知的新区域；左指针是被迫移动，负责寻找满足题意的区间。
2023-02-26 16:01:52
514
1
原创 【代码随想录】-动态规划专题
*** leetcode-1049. 最后一块石头的重量 II* @return// 问题可以转化为 把一堆石头分成两堆,求两堆石头重量差最小值 // 若要差值最小 则两堆石头的重量要尽量接近所有石头总和的一半 //dp[target]里是容量为target的背包所能背的最大重量。//一堆石头的总重量是dp[target]，另一堆就是sum - dp[target] int sum = 0;
2023-02-12 14:42:58
967
原创 【代码随想录】-贪心专题
有一堆钞票，你可以拿走十张，如果想达到最大的金额，你要怎么拿？每次拿最大就是局部最优。做题的时候，只要想清楚 局部最优 是什么，如果推导出全局最优，其实就够了。上述过于理论化，在实际做题中，很难按照上面四部去逐步思考。
2023-01-18 15:47:12
1080
原创 【代码随想录】-回溯专题
而满足回溯条件的某个状态的点称为“回溯点”。许多复杂的，规模较大的问题都可以使用回溯法，有“通用解题方法”的美称。回溯算法其实就是一个不断探索尝试的过程，探索成功了也就成功了，探索失败了就在退一步，继续尝试……回溯法是一种选优搜索法，按选优条件向前搜索，以达到目标。递归就要有终止条件，所以必然是一棵高度有限的树（N叉树）。的搜索尝试过程，主要是在搜索尝试过程中寻找问题的解，，因为回溯法解决的都是在集合中递归查找子集，回溯算法实际上一个类似。
2023-01-06 22:37:00
1121
原创 Bipartite Graph Based Multi-View Clustering
对于基于图的多视图聚类，一个关键问题是通过两阶段学习方案捕获共识聚类结构。具体来说，首先学习多个视图的相似性图矩阵，然后将它们融合为统一的高级图矩阵。大多数当前的方法独立地学习每个视图的数据点之间的成对相似性，这在单个视图中被广泛使用。然而，包含在多个视图中的共识信息被忽略，并且所涉及的偏差导致不期望的统一图矩阵。为此，我们提出了一种基于二分图的多视图聚类（BIGMC）方法。共识信息可以由不同视图的少量代表性统一锚点表示。在数据点和锚点之间构建二分图。BIGMC构建所有视图的二分图矩阵，并将其融合以生成统一
2022-11-27 15:36:10
1317
1
原创 GMC Graph-Based Multi-View Clustering
现有的大多数方法没有充分考虑不同视图的权重，需要额外的聚类步骤来生成最终的聚类。还通常基于所有视图的固定图相似矩阵来优化目标。GMC获取所有视图的数据图矩阵，并将其融合生成统一的图矩阵。统一图矩阵反过来又改进了各个视图的数据图矩阵，也直接给出了最终的聚类。它可以帮助各个视图图矩阵的学习和统一图矩阵的学习相互强化。一种新的多视图融合技术可以自动对各个数据图矩阵进行加权，得到统一的图矩阵。对统一矩阵的图拉普拉斯矩阵也施加了不引入调优参数的秩约束，有助于将数据点自然地划分到所需的簇数。
2022-11-22 10:04:22
1740
原创 kmp算法记录
以字符串“happy”为例前缀：h,ha,hap,happ 不包括最后一个字符后缀：appy,ppy,py,y 不包括第一个字符部分匹配表(Partial Match Table)，简称PMT，将其中的值定义为前缀与后缀的集合交集中最长的元素长度：前缀：a,ab后缀：ba,a两者交集的最大长度是a字符，长度为1，则对应的PMT值为1对于字符串"abababca",PMT表为：前缀：a,ab,aba后缀：bab,ab,b交集最大长度为ab字符，长度为2，则对应的PMT值为2。
2022-11-20 16:26:53
257
原创 【代码随想录】哈希表专栏（Java）
哈希表是根据关键码的值而直接进行访问的数据结构。也称为散列表数组就是一个哈希表。需要快速判断一个元素是否出现在集合里面时，需要考虑使用哈希法。
2022-11-16 14:58:43
193
原创 【代码随想录】数组专栏（Java）
由于是非递减的顺序，可以考虑二分法。在第一次找到target时，向左右探测。在左边和右边分别执行二分法找到target后返回下标。//左边 arr [ 1 ] = search2(nums , target , 1);//右边 return arr;//探测左边 right = middle - 1;} else {//探测右边 left = middle + 1;} else {}
2022-11-04 14:32:50
459
原创 A Fast and Accurate Similarity-Constrained Subspace
子空间聚类方法，如稀疏子空间聚类（SSC），由于其高性能，已成为无监督学习的流行工具。但是 计算机复杂性、忽略空间信息阻碍聚类结果的空间均匀性为了解决这两个相关问题，提出了一种快速算法，通过首先选择一组最能代表其邻域的像素来获得稀疏表示系数矩阵。然后，它执行空间滤波以增强相邻像素的连通性，并使用快速光谱聚类来获得最终的聚类图。
2022-11-03 17:56:28
438
原创 Entropy regularization for unsupervised clustering with adaptive
自适应邻域无监督聚类的熵正则化输入亲和矩阵仅基于距离测量，在概率预测下缺乏明确的物理意义仍需要操作其他离散化程序。为了解决这些问题，我们提出新的聚类模型，称为：基于自适应无监督聚类的熵正则化（ERCAN） 动态和同时更新亲和矩阵和聚类结果。首先，在概率模型中引入最大熵正则化项，以避免平凡的相似性分布。此外，我们新引入了基于L0范式的拉普拉斯秩约束来构造自适应邻域，以获得稀疏性和强度分割能力，而无需额外的离散化过程。
2022-11-01 22:01:26
435
原创 Fast Unsupervised Projection for Large-Scale Data
传统的降维方法通常无法处理非线性数据，并且具有较高的计算复杂度。为了解决这些问题，提出了一种快速无监督投影（FUP）方法。FUP的简化图由样本和代表点构成，其中通过迭代优化选择的代表点的数量小于样本的数量。通过生成所呈现的图，证明了大规模数据可以在许多场景中更快地投影。然后，提出了正交FUP（OFUP）方法来保证投影矩阵的正交性。具体而言，OFUP方法在一定参数设置下被证明与PCA等效。
2022-11-01 15:27:18
246
原创 Fast unsupervised embedding learning with anchor-based
Fast unsupervised embedding learning with anchor-based
2022-10-27 15:03:32
655
原创 Fast Fuzzy Clustering Based on Anchor Graph
基于锚图的快速模糊聚类 FFCAG模糊聚类十分流行；FFCAG算法将基于锚的相似度图构建和隶属度矩阵学习集成到一个统一的框架中，从而可以进一步利用锚的先验知识来提高聚类性能。FFCAG首先使用无参数邻域分配策略构造基于锚的相似图。然后，设计了一个二次规划模型来学习锚的隶属度矩阵，这与传统的模糊聚类算法有很大的不同。更重要的是，在目标函数中引入了一个新的平衡正则化项，以产生更精确的聚类结果。最后，我们采用一种保证收敛的交替优化算法来求解该方法。聚类方法大致分为两类：硬聚类、模糊聚类（软聚类）
2022-10-26 14:18:24
1211
2
原创 Fast spectral clustering learning with hierarchical bipartite graph for large-scale data
传统方法：不适用大规模问题 高斯核函数提出了一种新的基于层次二分图（SCHBG）的光谱聚类方法，该方法通过探索具有金字塔结构的多层锚来实现。该算法首先构造一个层次二分图，然后对该图进行谱分析。因此，计算复杂度可以大大降低。此外，我们采用了一种无参数但有效的邻居分配策略来构造相似度矩阵，从而避免了对热核参数的调整。最后，该算法能够处理大规模数据的样本外问题，其计算复杂度显著降低。
2022-10-25 19:26:41
579
原创 Spatial-spectral Hyperspectral Image Classification via MultipleRandom AnchorGraphs EnsembleLearning
高光谱图像（HSI）的高维性使得难以构建成对相邻图。此外，有助于提高模型可辨性的精细空间特征常常被忽略。为了解决这一问题，本文提出了一种新的基于多随机锚图集成学习（RAGE）的空间谱HSI分类方法。首先，采用局部二值模式提取每个选定频带上的更多描述性特征，从而保留了区域的局部结构和细微变化。其次，在锚图的构造中引入了自适应邻域分配，以降低计算复杂度。最后，利用多个锚图建立集成模型，从而学习HSI的多样性。
2022-10-24 21:46:47
240
原创 Fuzzy Embedded Clustering Based on Bipartite Graph for Large-Scale Hyperspectral Image
首先，我们提出了FECBG方法，将模糊聚类与基于二分图的非负正则化项结合到一个统一模型中，该方法具有良好的聚类性能，并降低了模糊聚类对初始聚类中心的敏感性。其次，我们采用快速谱嵌入方法来获得HSI数据的低维表示，以降低计算复杂度。最后，在模糊聚类中加入基于二部图的非负正则化项，以约束模糊隶属度矩阵的解空间。
2022-10-24 10:28:24
257
原创 Fast semi-supervised learning with anchor graph for large hyperspectral images
由于高光谱图像（HSI）的标记样本非常稀少，并且标记样本花费太多时间和昂贵，半监督学习（SSL）在高光谱图像分类中有着重要的应用。大多数GSSL方法仍然不能处理大的HSI，因为它们的计算复杂度很高。提出了一种新的方法，称为带锚图的快速半监督学习（FSSLAG）来解决大规模HSI分类问题。在提出的FSSLAG算法中，首先构造了无参数、自然稀疏和尺度不变的锚图。然后可以通过图表推断样本的标签。FSSLAG的计算复杂度可以降低到O（ndm），这与需要O（n3）的传统基于图的SSL方法相比是一个显著的改进。
2022-10-21 22:15:16
366
1
原创 A fuzzy spectral clustering algorithm for hyperspectral image
本文利用模糊锚来处理高光谱图像分类，提出了一种基于模糊相似性测度的光谱聚类算法。该算法利用模糊相似性度量来获得数据点与锚之间的相似性，然后得到相似性矩阵。最后，对相似度矩阵进行谱聚类以计算分类结果。对于高光谱遥感图像，同一特征的不同个体灰度值的分布是不规则的，差异很大，即类内的不确定性；不同类型特征之间的光谱边界变得更小，甚至重叠，即类之间的模糊性。基于相似度矩阵的谱聚类算法的分类性能对数据点的相似度非常敏感。
2022-10-21 20:32:10
358
2
原创 Clustering and Projected Clustering with Adaptive Neighbors
在本文中，提出了一种新的聚类模型来同时学习数据相似矩阵和聚类结构。新模型通过基于局部距离为每个数据点分配自适应和最优邻居来学习数据相似性矩阵。同时，对数据相似性矩阵的拉普拉斯矩阵施加新的秩约束，使得得到的相似性矩阵中的连接分量完全等于聚类数。聚类将数据点划分为不同的组，使得同一个组中的对象具有高度的相似性。最常用的聚类算法是k-means。本文中提出新的角度解决聚类问题。通过基于局部连通性为每个数据点分配自适应和最优邻居来学习数据相似矩阵。主要假设是，距离较小的数据点成为邻居的概率较大。更重要的是，对相似矩
2022-10-20 21:55:34
1578
2
原创 spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image
基于AG的方法忽略了像素内的空间信息，这限制了它们在实际应用中的鉴别能力。通过空间相关性和光谱信息，在空间光谱组合方法方面进行了许多尝试。这类方法主要利用滤波预处理中的空间相关性，以单尺度过滤局部均匀区域。然而，由于两个原因，它们无法完全捕获空间结构：（1）HSI数据可能同时包含大小均匀区域，但单尺度滤波器无法准确覆盖局部均匀区域。这种现象使得基于AG的聚类算法无法描述HSI的不同空间结构；（2） 大多数算法在HSI数据预处理过程中只考虑了空间结构，没有将这些固有的结构融入到聚类过程中。
2022-10-10 16:19:28
449
原创 Scalable Graph-Based Clustering With Nonnegative Relaxation for Large Hyperspectral Image
相似矩阵w的构造图拉普拉斯矩阵L的特征值分解k-means或其他离散化过程scalable graph-based clustering with nonnegative relaxation(SGCNR), 首先构造锚图，然后添加非负松弛项直接提取聚类指标。传统基于图的聚类算法至少需要O(n2d+n2k)O(n2d+n2k)或O(n2d+n3)O(n2d+n3)，采用此算法可降低到O(ndlogm+n。
2022-10-10 16:08:10
258
1
原创 Fast Spectral Clustering With Anchor Graph
数据可看作三维立方体，有复杂空间结构，其中每一个像素点抽取出来都是一条连续的光谱曲线。X,Y轴表示空间信息，Z轴表示光谱信息。HSI聚类的目的：将给定的图像分成组，使得同一组中的像素尽可能彼此相似，而分配给不同组的像素不相似。相似矩阵的构造，O(n2d)O(n^2d)O(n2d)时间复杂度拉普拉斯矩阵的特征值分解。
2022-10-06 17:04:46
1106
原创 The Fast Spectral Clustering Based on Spatial Information for Large Scale Hyperspectral Image
用于大型高光谱图像的基于空间信息的快速光谱聚类（FSCS）首先，基于HSI的物理特性，FSCS算法将空间信息与光谱信息相结合，利用空间最近点重构中心点，揭示局部空间结构。因此，增强了像素间的相关性，提高了聚类精度。其次，基于锚图构造新的邻接矩阵，大大降低了计算复杂度。最后，为了避免调整热核参数，FSCS采用了无参数策略。
2022-10-06 16:52:03
213
原创 Fast Spectral Embedded Clustering Based on Structured Graph Learning for Large-Scale Hyperspectral
基于结构图学习的大规模高光谱图像快速光谱嵌入聚类。
2022-10-04 20:49:07
489
原创 FCM模糊c均值推导
模糊就是不确定。若把20岁作为确定是否年轻的标准，则21岁是不年轻。生活当中，21也很年轻，可以使用模糊的概念的来理解，即0.8属于年轻，0.2属于不年轻。这里0.8和0.2不是概率，而指的是相似的程度，把这种一个样本属于结果的这种相似的程度称为样本的隶属度，一般用u表示，表示一个样本相似于不同结果的一个程度指标。以上来自于：https://blog.csdn.net/on2way/article/details/47087201。
2022-09-16 19:09:13
803
原创 机器学习快速入门
机器学习是人工智能的一个实现途径深度学习是机器学习的一个方法发展而来机器学习、深度学习可以用来做传统预测、图像识别、自然语言处理机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测为什么需要特征工程？业界广泛流传数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已什么是特征工程？特征工程是指用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程意义会直接影响机器学习的效果。pandas数据清洗、数据处理sklearn特征抽取。......
2022-07-30 16:20:34
385
原创 吴恩达机器学习课后习题——kmeans
实现K-means聚类，并使用它来压缩图像。我们将从一个简单的2D数据集开始，以了解K-means是如何工作的，然后我们将其应用于图像压缩。我们还将对主成分分析进行实验，并了解如何使用它来找到面部图像的低维表示。...
2022-07-29 17:56:32
716
原创 吴恩达机器学习课后习题——逻辑回归
逻辑回归算法，是一种给分类算法，这个算法的实质是它输出值永远在0到1之间。将要构建一个逻辑回归模型来预测，某个学生是否被大学录取。设想你是大学相关部分的管理者，想通过申请学生两次测试的评分，来决定他们是否被录取。现在你拥有之前申请学生的可以用于训练逻辑回归的训练样本集。对于每一个训练样本，你有他们两次测试的评分和最后是被录取的结果。为了完成这个预测任务，我们准备构建一个可以基于两次测试评分来评估录取可能性的分类模型。。...
2022-07-23 16:59:58
818
1
原创 吴恩达机器学习课后习题——线性回归
使用梯度下降来最小化代价函数,创建一个以参数θ为特征函数的代价函数J(θ)=2m1i=1∑m(hθ(x(i))−y(i))2hθ(x)=θTX=θ0x0+θ1x1+θ2x2+...+θnxn获取的数据类型是DataFrame类型，所以需要进行类型转换。同时还需要初始化theta,即theta所有元素都设置为0维度。...
2022-07-20 16:00:12
722
原创 python环境下安装jupyternotebook
首先必须要安装python3确保pip是最新版本：在终端输入命令：安装完成后，测试是否安装成功：修改默认的存储路径此时可以发现默认启动目录在c盘，修改默认的存储路径：获取配置文件夹所在路径：通过上述路径打开此文件，进行自定义：取消注释，在单引号中填入自定义文件夹路径注意文件路径中斜杠的方向！安装nbextensions安装 nbextensions_configurator点击nbnextensionsc=“代码拓展.png” alt=“image-2022071216331082
2022-07-12 16:39:01
5342
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人