具有邻域搜索的多样性增强粒子群优化

自己实现的基于matlab的论文作者提出的二值图像目标邻域点法边界跟踪算法，比8邻域算法速度快。 自己实现的基于matlab的论文作者提出的二值图像目标邻域点法边界跟踪算法，比8邻域算法速度快。

正则奇点邻域上的级数解法

DPC数据库 基于密度骨干和模糊邻域的密度峰聚类 Abdulrahman Lotfi a ， Parham Moradi a ， Hamid Beigy b 计算机工程，库尔德大学，萨南达季，伊朗的一处 b谢里夫工业大学计算机工程系，伊朗德黑兰 抽象的 密度峰聚类（DPC）由于使用了非迭代过程而成为一种有效的聚类算法。 但是，DPC及其大多数改进都有以下缺点：（1）对截止距离参数高度敏感；（2）在计算局部密度时忽略数据的局部结构；（3）使用明快的内核来计算局部密度（4）遭受连锁React的原因。 为了解决这些问题，本文提出了一种称为DPC-DBFN的新方法。 所提出的方法使用模糊核来提高聚类的可分离性并减少离群值的影响。 DPC-DBFN使用基于密度的kNN图来标记主干。 此策略可防止连锁React，并为位于边界区域的那些实例有效分配真实标签，以有效地聚类具有各种形状和密度的数据。 DP

针对图像聚类问题,提出了一种基于图像空间关系的聚类方法,采用场模型描述图像之间的空间关系,利用K-近邻思想构建图像邻域系统,聚类过程中无需手动标记特征表示的图像类别信息,只需要给定初始类别数,通过条件迭代算法(ICM)对图像进行聚类。该文通过实验分析了图像样本大小、图像特征维数、图像特征类型、初始类别标签对聚类结果的影响,通过与多种经典聚类算法进行对比,实验结果充分验证了该方法的有效性。

多模态图像配准的特征邻域互信息.pdf

简便的KNN分类算法，可以处理有监督数据的分类问题，运用的是邻域粗糙集的基本概念，有兴趣的可以在本程序上再加以改进，比如加权，多粒度等等的方法。

预算matlab代码快速NCA 该算法在Python中的快速实现。 某些选择背后的思想在硕士论文中得到了进一步扩展。 特征： 类似于Sklearn的API 与目标函数相同的梯度成本 当度量标准规模较大时，避免溢出 WIP迷你批次版本 例子 来自Python的样本用法： from nca import NCA n = NCA () n . fit ( X , y ) X = n . transform ( X ) 例如，运行脚本。 除其他外，脚本接受模型和数据集的类型： python example.py --model nca --data wine 有关可用选项的完整说明，只需调用帮助提示： python example.py -h 安装 该代码取决于通常的Python科学环境：NumPy，SciPy，Scikit-learn。 所需的软件包在requirements.txt文件中列出，可以按如下所示安装在虚拟环境中： virtualenv -p python3 venv source venv/bin/activate pip install -r requirements.txt

完整代码，可直接运行

堆场出口箱区通常通过集装箱的预倒箱操作来提高后续装船作业的效率. 为此, 开发了由邻域搜索算法与整数规划算法组成的两阶段混合算法对预倒箱问题进行优化, 第1 阶段通过启发式规则压缩末终堆存状态空间, 第2 阶段通过整数规划算法缩短第1 阶段得到的预倒箱序列的长度. 两个阶段循环交替进行以快速求得最优的预倒箱序列. 借助不同种类仿真算例的实验结果及与现有研究方法下所得结果的对比, 验证了混合优化算法的有效性和实用性.