上一页 1 ··· 11 12 13 14 15 16 17 18 19 ··· 25 下一页
摘要: 本次赛题需要利用历史某3年的汽车日上牌数据,预测某2年每天的汽车上牌数。初赛将挑选出5个汽车品牌,给出这些品牌每天的上牌数,当天是星期几,来预测5个汽车品牌未来每天的上牌总数。 数据说明 1、数据分成训练数据(train.txt)和测试数据(test.txt)。其中 前3个字段是特征变量,”cnt“ 阅读全文
posted @ 2018-07-28 15:42 我们都是大好青年 阅读(276) 评论(0) 推荐(0) 编辑
摘要: EMD是1998年提出的一种针对非平稳非线性信号的处理方法,该方法目前在很多领域都取得了成功的应用。但也存在一些不足,主要包括,模式混叠、端点效应和停止条件等。 1、模式混叠 模式混叠最早是被Huang提出,其基本定义如下:模式混叠是指一个IMF中包含差异极大的特征时间尺度,或者相近的特征时间尺度分 阅读全文
posted @ 2018-07-27 21:14 我们都是大好青年 阅读(7586) 评论(0) 推荐(1) 编辑
摘要: 自己挖的坑,死也要往下跳(哭),下面看下重排在S变换中的应用吧 先看几个概念: 时频重排:可以有效的聚集时频能量,提高时频分辨率! 高低频定义:按照电气和电子工程师学会(IEEE)制定的频谱划分表,低频频率为30~300kHz,中频频率为300~3000kHz,高频频率为3~30MHz,频率范围在3 阅读全文
posted @ 2018-07-27 09:51 我们都是大好青年 阅读(2474) 评论(3) 推荐(2) 编辑
摘要: 应用: 一、图像分析 NMF最成功的一类应用是在图像的分析和处理领域。图像本身包含大量的数据,计算机一般将图像的信息按照矩阵的形式进行存放,针对图像的识别、分析和处理也是在矩阵的基础上进行的。这些特点使得NMF方法能很好的与图像分析处理相结合。人们已经利用NMF算法,对卫星发回的图像进行处理,以自动 阅读全文
posted @ 2018-07-26 18:15 我们都是大好青年 阅读(1543) 评论(0) 推荐(0) 编辑
摘要: 一、矩阵分解回想 矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积。对于上述的用户-商品(评分矩阵),记为能够将其分解为两个或者多个矩阵的乘积,如果分解成两个矩阵和 。我们要使得矩阵和 的乘积能够还原原始的矩阵 当中,矩阵表示的是m个用户于k个主题之间的关系,而矩阵表示的是k个主题与n个商品之间的 阅读全文
posted @ 2018-07-26 17:23 我们都是大好青年 阅读(13637) 评论(5) 推荐(2) 编辑
摘要: 哈哈,这两天在整理时频分析的方法,大部分参考网上写的比较好的资料,浅显易懂,在这谢过各位大神了! 今天准备写下S变换,由于网上资料较少,自己尝试总结下,学的不好,望各位多多指导 由前面的文章可知,傅里叶变换只能作用于收敛信号,短时傅里叶变换的窗函数不可变,小波变换虽然窗函数可变,能进行多分辨率分析, 阅读全文
posted @ 2018-07-26 14:40 我们都是大好青年 阅读(6821) 评论(2) 推荐(6) 编辑
摘要: 如果让你说说连续小波变换最大的特点是什么?多分辨分析肯定是标准答案。所谓多分辨分析即是指小波在不同频率段会有不同的分辨率。具体表现形式,我们回到前一篇文章的第一个图, 图一 对应的信号为 低频时(频率为4),对应彩色条纹更细,意味着更高的频率分辨率,而条纹区间大概落在【0,2.5】之间,这意味着较低 阅读全文
posted @ 2018-07-26 11:02 我们都是大好青年 阅读(5323) 评论(0) 推荐(1) 编辑
摘要: 整理下时频分析变换的方法,遇见好的文章就记录下来了,本篇博客参考知乎https://www.zhihu.com/topic/19621077/top-answers上的一个回答,自己手敲一遍,增强记忆 首先说明这里是连续小波变换,不会涉及离散小波变换,不涉及尺度函数。 对于一个morlet小波变换, 阅读全文
posted @ 2018-07-25 21:59 我们都是大好青年 阅读(26636) 评论(1) 推荐(0) 编辑
摘要: 很多通信工程学生,几乎每天接触时频变换,但通常不知道为什么要时频变换、变换之间的关系,变换产生的图代表什么意义,基于这些问题,我尝试做下梳理: 1、为什么要进行时频变换? (1)在频率域能看到很多时域无法直接看到的现象,比如频率分布; 对于确定的信号其时域表示是确定的,我们可以通过傅里叶变换得到其确 阅读全文
posted @ 2018-07-25 20:27 我们都是大好青年 阅读(2791) 评论(0) 推荐(0) 编辑
摘要: 协同过滤是通过将用户和其他用户和的数据进行对比来实现推荐。 我们不利用专家所给出的重要属性来描述物品从而计算他们之间的相似度,而是利用用户对他们的意见来计算相似度,这就是协同过滤中所使用的方法。它不关心物品的描述属性,而是严格的按照许多用户的观点来计算相似度。 相似度的度量一种是欧式距离,一种是皮尔 阅读全文
posted @ 2018-07-24 20:59 我们都是大好青年 阅读(633) 评论(0) 推荐(0) 编辑
上一页 1 ··· 11 12 13 14 15 16 17 18 19 ··· 25 下一页