编译原理实验作业，包括正规式转NFA，NFA转DFA，以及DFA最小化。 参考了网上很多代码，可能会有些乱，有实验报告，可以按照实验报告截图操作。试了很多表达式，最后转化的都是正确的，当做实验作业已经够用了。

float、int、unsigned int数据与其在实际内存中表示的相互转换小程序

TriDNR 三方深度网络表示形式，发布于IJCAI 2016：1895-1901。 这些代码实现了TriDNR算法，该算法学习网络中每个节点的连续表示。 TriDNR从三个角度使用信息，包括节点结构，节点内容和节点标签（如果有），以共同学习最佳节点表示形式 该代码是使用gensim和DeepWalk软件包在Python中开发的。 所有必需的软件包都在requirements.txt中定义。 要安装所有要求，只需使用以下命令： pip install -r requirements.txt “ demo.py”中提供了一个演示，该演示运行并比较了几种算法 关于数据集：本文中有两个网络数据集，即DBLP和Citeseer-M10。 每个数据集包含3个文件： 1. docs.txt : title information of each node in a network, each

表示学习为各种AI领域提供了一种革命性的学习范式。在这个综述中，我们研究和回顾了表示学习的问题，并将重点放在由不同类型的顶点和关系组成的异构网络上。这个问题的目标是自动地将输入异构网络中的对象(最常见的是顶点)投射到潜在的嵌入空间中，这样网络的结构和关系属性就可以被编码和保存。

科学：使用科学计数法表示的任意精度浮点数

matlab系统聚类代码随机对战系列 RandomWarpingSeries（RWS）是用于生成时间序列矢量表示的简单代码，用于时间序列分类，聚类和回归。 该代码是WME中的WME的简单实现（Matlab，Matlab MEX和C的混合）（Wu等人，“随机变形序列：用于时间序列嵌入的随机特征方法”，AISTATS'18）。 我们将有关RWS的更多信息引至以下论文链接：。 先决条件 为了运行此代码，至少有两个必需的工具包。 您需要下载DTW，LibLinear或LibSVM并为您的操作系统（Mac，Linux或Windows）编译相应的MEX文件。 对于DTW： 对于LibSVM：或LibLinear： 对于单变量时间序列数据集，您可以从UCR时间序列集合（）或UEA时间序列集合（）下载一些数据集。 对于多元时间序列数据集，您可以从UCI机器学习存储库（）或您喜欢的应用程序中下载一些数据集。 通常建议先将数据进行Z形式化处理，然后再将其提供给我们的时间序列嵌入代码。 如何运行代码 请注意，为了获得最佳性能，必须搜索超参数DMax，sigma甚至lambda_inverse（用于使用SVM

循环矩阵出现在许多矩阵问题中，其中基础数学模型具有旋转对称性。 在许多问题中，问题表示不是简单的循环矩阵，而是块循环矩阵。 @BlockCirculant 对象允许块循环矩阵的紧凑表示。 它支持常见的矩阵运算，例如 +、-、*、\、逆、伪逆、下标和连接。 通过使用 FFT 执行典型的 O(N^3) 运算，可以为此类矩阵实现较大的加速因子。 矩阵可以是实数或复数。 该软件包包括@BlockCirculant 定义、一个测试程序和显示大型矩阵问题加速因子示例的文档。 此版本包括伪逆运算的文档更正和代码更正

基于matlab的svm的留一法代码实现AROMS-机器学习 机器学习的自动表示优化和模型选择框架-AROMS-Framework 这是AROMS-Framework的Matlab源代码的发布。 这是我在德国杜伊斯堡－埃森大学的智能系统小组（Intelligente Systeme）的博士项目的主要贡献。 我的博士学位论文题目为“机器学习的自动表示优化和模型选择框架”在线发表： 英博士Dipl.-Inf。 FabianBürger，2016年7月4日 与我联系的一种方法是：fabuerger | at | gmail | dot | com ==应用领域和方法== AROMS框架的应用领域是针对监督分类问题的数据处理管道的优化。 管道非常适合每项学习任务，由四个连续处理数据的元素组成： 特征选择元素选择有用的特征子集 功能预处理元素应用数据预处理方法，例如重新缩放，L2归一化或预白化 特征变换元素从流形学习和表示学习领域应用合适的特征变换，例如主成分分析（PCA），自动编码器或LLE（局部线性嵌入） 分类器元素包含分类器，并提供了多种选择，例如内核支持向量机（SVM），随机森林或人工神

用于概念生成设计的形状语法表示的设计转换

4.2.5基于神经网络的知识表示与推理 1.基于神经网络的知识表示 基于神经网络系统中知识的表示方法与传统人工智能系统中所用的方法(如产生式、框架、语义网络等)完全不同，传统人工智能系统中所用的方法是知识的显式表示，而神经 网络中的知识表示是一种隐式的表示方法。在这里，知识并不像在产生式系统中那样独立地表示为每一条规则，而是将某一问题的若干知识在同一网络中表示。例如，在有些神经网络系统中,知识是用神经网络所对应的有向权图的邻接矩阵及阈值向量表示的，如对图4.10所示的异或逻辑的神经网络来说，其邻接矩阵为