k-mediods

实现Lagrange,Hermite,以及分段线性插值算法,需要用from * import *引用,如要使用lagrange, from lagrange import lagrange(Realize Lagrange, Hermite, and piecewise linear interpolation algorithm, need to quote from* import*, such as to use lagrange, from lagrange import lagrange)

实现神经网络PID进行编程，仿真，此神经网络是BP神经网络。(Realize the neural network PID programming, simulation, the neural network is BP neural network.)

the file contain estimmation for channel.

说明：  MATLAB源程序代码分享：MATLAB实现组对象的整体几何变换(Matlab Source Code Sharing: Matlab Group object to achieve the overall geometric transformation)

说明：  AODV的改进算法的matalb仿真，绝对跑得出，我这里还有论文(Improved algorithms matalb AODV simulation, the absolute run out, I have here papers)

mars toolbox for data analysis

基于高斯扰动的布谷鸟算法优化svr网络结合libsvm工具包可进行回归预测(Svr network optimization toolkit can be combined with libsvm regression prediction algorithm based on Gaussian disturbance cuckoo)

说明：  遗传算法 C语言源码Denis Cormier (North Carolina State University)开发的，Sita S.Raghavan (University of North Carolina at Charlotte)修正，很实用(GA C language source code Denis Cormier (North Carolina State University) developed, Sita S. Raghavan (University of North Carolina at Charlotte) amendments, it is practical)

S4VM 对传统的S3VM 进行了改进。传统的S3VM 基于低密度假设，它试图找到一个低密度的分界线， 也就是更倾向于决策边界穿过特征空间的低密度区域。S4VM 和S3VM 的不同点在于，S3VM 试图把注意力 集中在一个最优的低密度分界线上，而S4VM 则同时关注多个可能的低密度分界线。之所以这样做，是因为 给定一些有标记的点和大量未标记的点，可能存在着不止一个“间隔”较大的低密度分界线（如图2 ），基于 有限的标记样本，很难决定哪个是最好的。虽然这些低密度分界线都与有限的标记样本吻合，但它们之间差 异很大，因此如果选择错了，会有一个很大的损失，导致性能下降。所以S4VM 试图考虑所有可能的低密度 分界线。 (Over the past decade, many improved versions are proposed to solve every different specific problem of semi-supervised support vector machines, for example: to the inefficiency issue, meanS3VM is introduced to performance degenerate problem, S4VM is proposed)

本程序是采用压缩感知算法进行OFDM信道估计的基本程序(OFDM OMP)