1维数据的sym4小波基去噪重构——matlab

BARNESN 非结构化数据的 Barnes 平滑插值Vq = BARNESN（X，V，Xv）返回的平滑插值查询点 Xq 处的 D 维观测值 V(X)。 查询点 Xq 是通过对元胞数组 Xv 中的向量进行网格划分来创建，这些向量定义了每个维度的网格。 使用执行平滑插值巴恩斯客观分析的 Koch 形式 [2]。 粗略地说，（在 2D 中） 网格点 (xq, yq) 处的内插值 (vq) 被确定为数据点 (x, y) 处的值 (v) 的加权和，基于高斯加权函数 exp(-r^2 / s / g^j)，其中 r 是从 (xq, yq) 到 (x, y) 的欧几里德距离，s 是高斯方差， g 是收敛参数。 —— 参考书目： [1] Barnes, Stanley L.“使用加权的中尺度目标地图分析时间序列观察。”（1973） [2] Koch、Steven E.、Mary DesJardins 和

该函数使用此处描述的 GE Historian 压缩算法（类似于 Swinging Door 算法）删除 EPS 容差区间内的冗余数据点： http : //www.evsystems.net/files/GE_Historian_Compression_Overview.ppt

MATLAB生成2维数据点程序，可以产生一些简单的流行结构数据集，用于聚类测试；MATLAB基础程序，简单易用有注释，高手请绕路勿喷，只为挣个积分，愿世界和平。。。

笔者在给同事培训“数据预处理”专题时使用的ppt，共3讲。分别是： 数据预处理1_总体介绍_标准化与正则化 数据预处理2_缺失值处理 数据预处理3_降维处理 主要内容是对数据预处理的框架式总结，来源均来自互联网（如有侵权请评论告知，谢谢）。

该代码实现了高斯混合模型。 它假设特征是独立的。 具体来说，GMMtrain.m 用于学习 GMM 模型，GMMpredict.m 用于预测集群标签。

特征降维能够有效地提高机器学习的效率,特征子集的搜索过程以及特征评价标准是特征降维的两个 核心问题 。综述国际上关于特征降维的研究成果 ,总结并提出了较完备的特征降维模型定义 ; 通过列举解决特 征降维上重要问题的各种方案来比较各种算法的特点以及优劣 ,并讨论了该方向上尚未解决的问题和发展 趋势。

现有过滤型特征选择算法并未考虑非线性数据的内在结构，从而分类准确率远远低于封装型算法，对此提出一种基于再生核希尔伯特空间映射的高维数据特征选择算法。首先基于分支定界法建立搜索树，并对其进行搜索；然后基于再生核希尔伯特空间映射分析非线性数据的内部结构；最后根据数据集的内部结构选择最优的距离计算方法。对比仿真实验结果表明，该方法与封装型特征选择算法具有接近的分类准确率，同时在计算效率上具有明显的优势，适用于大数据分析。

ITK操作合并dcm图像为VTK等三维数据,在vs2013上进行操作

CityGML资料，三维数据交换格式