这里实现了基于四种SVM工具箱的分类与回归算法: 1、工具箱：LS_SVMlab Classification_LS_SVMlab.m - 多类分类 Regression_LS_SVMlab.m - 函数拟合 2、工具箱：OSU_SVM3.00 Classification_OSU_SVM.m - 多类分类 3、工具箱：stprtool\svm Classification_stprtool.m - 多类分类 4、工具箱：SVM_SteveGunn Classification_SVM_SteveGunn.m - 二类分类 Regression_SVM_SteveGunn.m - 函数拟合 更详细的相关函数说明请通过help命令查看！
标签： Classification_LS_SVMlab Regression_LS_SVMlab LS_SVMlab SVM
上传时间： 2016-03-03
上传用户：jkhjkh1982
首先介绍多元线性回归公式（即最小二乘法计算公式），然后进行VB编程，实现多次曲线拟合算法。
上传时间： 2013-12-24
上传用户：蠢蠢66
这里实现了四种SVM工具箱的分类与回归算法 1、工具箱：LS_SVMlab Classification_LS_SVMlab.m - 多类分类 Regression_LS_SVMlab.m - 函数拟合 2、工具箱：OSU_SVM3.00 Classification_OSU_SVM.m - 多类分类 3、工具箱：stprtool\svm Classification_stprtool.m - 多类分类 4、工具箱：SVM_SteveGunn Classification_SVM_SteveGunn.m - 二类分类 Regression_SVM_SteveGunn.m - 函数拟合 觉得好就帮我顶一下帖子，要不沉了！
标签： Classification_LS_SVMlab Regression_LS_SVMlab LS_SVMlab SVM
上传时间： 2016-06-18
上传用户：anng
很好的bp神经网络预测模型，很好有，有结果的拟合等
上传时间： 2013-12-13
上传用户：lgnf
基于主元分析的多元线性回归程序,输出回归系数，主元贡献率和拟合误差
上传时间： 2017-05-22
上传用户：徐孺
实现多元线性回归方程自变量的选择及系数的求解，获得显著性拟合方程
上传时间： 2013-12-25
上传用户：181992417
高性能的RBFNN，可以用于回归，拟合和预测控制。
上传时间： 2017-07-16
上传用户：qlpqlq
数学建模32种常规方法1..第一章 线性规划.pdf10.第十章 数据的统计描述和分析.pdf11.第十一章 方差分析.pdf12.第十二章 回归分析.pdf13.第十三章 微分方程建模.pdf14.第十四章 稳定状态模型.pdf15.第十五章 常微分方程的解法.pdf16.第十六章 差分方程模型.pdf17.第十七章 马氏链模型.pdf18.第十八章 变分法模型.pdf19.第十九章 神经网络模型.pdf2.第二章 整数规划.pdf20.第二十章 偏微分方程的数值解.pdf21.第二十一章 目标规划.pdf22.第二十二章 模糊数学模型.pdf23.第二十三章 现代优化算法.pdf24.第二十四章 时间序列模型.pdf25.第二十五章 存贮论.pdf26.第二十六章 经济与金融中的优化问题.pdf27.第二十七章 生产与服务运作管理中的优化问题.pdf28.第二十八章 灰色系统理论及其应用.pdf29.第二十九章 多元分析.pdf3.第三章 非线性规划.pdf30.第三十章 偏最小二乘回归.pdf31、支持向量机(数学建模).pdf32、作业计划(数学建模).pdf4.第四章 动态规划.pdf5.第五章 图与网络.pdf6.第六章 排队论.pdf7.第七章 对策论.pdf8.第八章 层次分析法.pdf9.第九章 插值与拟合.pdf前言.pdf灰色预测公式的理论缺陷及改进.pdf
标签： 数学建模
上传时间： 2021-10-20
上传用户：kingwide
这是我在做大学教授期间推荐给我学生的一本书，非常好，适合入门学习。《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。本人认为，这本书和代码是初学者入门深度学习及Keras最好的工具。作者在github公布了代码，本人参照书本，对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。以下代码包含了全书约80%左右的知识点，代码目录：2.1: A first look at a neural network（ 初识神经网络）3.5: Classifying movie reviews（电影评论分类：二分类问题）3.6: Classifying newswires（新闻分类：多分类问题 ）3.7: Predicting house prices（预测房价：回归问题）4.4: Underfitting and overfitting（ 过拟合与欠拟合）5.1: Introduction to convnets（卷积神经网络简介）5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积网络）5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）5.4: Visualizing what convnets learn（卷积神经网络的可视化）
上传时间： 2022-01-30
上传用户：
数字语音通信是当前信息产业中发展最快、普及面最广的业务。语音信号压缩编码是数字语音信号处理的一个方面，它和通信领域联系最为密切。在现有的语音编码中，美国联邦标准混合激励线性预测（MELP—Mixed Excited Linear Prediction）算法在2．4kb/s的码率下取得了较好的语音质量，具有广阔的应用前景。 FPGA作为一种快速、高效的硬件平台在数字信号处理和通信领域具有着独特的优势。现代大容量、高速度的FPGA一般都内嵌有可配置的高速RAM、PLL、LVDS、LVTTL以及硬件乘法累加器等DSP模块。用FPGA来实现数字信号处理可以很好地解决并行性和速度问题，而且其灵活的可配置特性，使得FPGA构成的DSP系统非常易于修改、测试及硬件升级。 本论文阐述了一种基于FPGA的混合激励线性预测声码器的研究与设计。首先介绍了语音编码研究的发展状况以及低速率语音编码研究的意义，接着在对MELP算法进行深入分析的基础上，提出了利用DSP Builder在Matlab中建模的思路及实现过程，最后本文把重点放在MELP声码器的编解码器设计上，利用DSP Builder、QuartusⅡ分别设计了其中的滤波器、分帧加窗处理、线性预测分析等关键模块。 在Simulink环境下运用SignalCompiler对编解码系统进行功能仿真，为了便于仿真，系统中没有设计的模块在Simulink中用数学模型代替，仿真结果表明，合成语音信号与原始信号很好的拟合，系统编解码后语音质量基本良好。
上传时间： 2013-06-02
上传用户：lili1990
