1 降维算法简介 2 四大降维算法 3 主成分分析

为了提高非平衡数据集的分类精度，提出了一种基于样本空间近邻关系的重采样算法。该方法首先根据数据集中少数类样本的空间近邻关系进行安全级别评估，根据安全级别有指导的采用合成少数类过采样技术（Synthetic minority oversampling technique，SMOTE）进行升采样；然后对多数类样本依据其空间近邻关系计算局部密度，从而对多数类样本密集区域进行降采样处理。通过以上两种手段可以均衡测试数据集，并控制数据规模防止过拟合，实现对两类样本分类的均衡化。采用十折交叉验证的方式产生训练集和测试集，在对训练集重采样之后，以核超限学习机作为分类器进行训练，并在测试集上进行验证。在UCI非平衡数据集和电路故障诊断实测数据上的实验结果表明，所提方法在整体上优于其他重采样算法

一、排序算法 --〉比较互换 选择法 冒泡法 二、查找算法 --〉顺序查找 折半查找 三、素数的求法 --〉定义法 筛选法 四、解一元方程 --〉牛顿迭代法 二分法 五、数值积分 --〉矩形法 梯形法 辛普生法 六、数值转换 --〉BODH

▪ 了解加密技术的发展及其相关知识 ▪ 掌握加密技术的原理 ➢最基本的加密算法 ➢对称加密算法原理 ➢非对称加密算法原理

(一)、涉及算法的相关概念 (二)、平面性算法

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

针对热连轧负荷分配的目标函数处理中采用的加权系数不好确定的问题,设计了一种多子群目标分段优化的差分进化算法.每个子群优化目标函数的一个子目标,子群之间独立进化,不但解决了加权系数问题,并且提高了算法的收敛速度和精度.最后,算法的有效性通过仿真进行了验证

周期序列的DFS及性质 离散傅里叶变换（DFT）及性质 DFT的快速算法（FFT） DFT/FFT的应用

周期序列的DFS及性质 离散傅里叶变换（DFT）及性质 DFT的快速算法（FFT） DFT/FFT的应用

Chap3算法与c程序设计 一、算法 二、C语句概述 三、C程序的基本结构