tra

关于高维数据降维的非线性方法ＬＬＥ代码，对学习数据降维有帮助(High dimensional data on the nonlinear dimensionality reduction methods LLE code, data dimensionality reduction in learning help)

说明：  用于特征降维人脸识别等多元数据分析的主分量分析投影的Matlab代码实现。(For feature reduction and other multivariate data analysis, face recognition principal component analysis projection of the Matlab code implementation.)

Locally linear embedding(LLE)是一个经典的流形学习降维方法，通过LLE发现高维数据潜在的内在维数，可以简化计算、方便可视化处理等。(Locally linear embedding (LLE) is a classic manifold learning dimensionality reduction method, discovered by LLE potential inherent high dimensional data dimension, the calculation can be simplified to facilitate visual processing.)

Co-Optimization of Generation Unit Commitment and Transmission Switching With N-1 Reliability

海明码发送与接收程序 测试信道的可靠性 可单独设立监听端口(Hamming code to send and receive testing the reliability of channel can be set up to monitor a separate port)

制作有使用日期限制的程序。此程序虽然复杂有更好的方法，但可以锻炼思路加强语法！(Production procedures have been used the date restriction. This procedure, although the complex has a better way, but they can exercise ideas to strengthen grammar!)

用MATLAB实现最小二乘法和最小方差的参数辨识(Using MATLAB complete parameter identification method of least squares and minimum variance)

CDMA Simulation Using MATLAB This program models a simple implementation of CDMA technology. It considers multiple bit data streams sent by any number of senders across a common channel. Each sender uses a unique code word, given by the Walsh set, to encode its data, send it across the channel, and then perfectly reconstruct the data at the receiver. The simulation utilizes these simplifications: 1. The individual data streams share the same bit length. 2. The code words are determined using the Walsh set to create orthogonal code words. 3. The spreading factor M of each code word is identical. 4. All users (data streams and codes) are synchronized in time. 5. Set-up and hold times of real-world systems are ignored. 6. The channel through which the data passes is ideal.

image proceesing packet no1

Utilisation des certaines critères comme les textures ,la couleur et la forme ,donc en peut associer un vecteurs de caractéristiques pour l’image qui se trouve dans notre base des données , Nous utilisons les maxima de courbure de passage a zéros contours de Curvature Scale Space (CSS) sur l’image comme un vecteur de caractéristiques , l’approche consiste a calculer l’image CSS de chaque frontière et ensuite trouver les maxima des contours CSS comme un discripteur de forme pour comparer des images , les propriétés de base da la representation CSS qui rendent presque unique pour la recherche de similarité sont les suivant  : - Il est robuste par rapport au bruit, l’échelle et l’orientation de l’objet - Il conserve les informations locales de la forme d’entrée. Chaque concavité ou convexité de la forme a ses propres correspondants contour sur l’image CSS, chaque point dans l’axe horizontal de l’image de CSS à son correspondant sur les limites réelles.