som演算法
① 請問當今比較流行的數據降維演算法有哪些
這個要看你的需求和數據的data distribution，找到最合適的演算法解決你的問題。
如果數據分布比較簡單，線性映射降維就夠了，比如PCA、ICA。
如果數據分布比較復雜，可能需要用到manifold learning，具體演算法比如SOM、MDS、ISOMAP、LLE，另外deep learning也可以用來做降維。
② 利用單目測距有什麼方法採用什麼演算法
一、單目測距用參照物法，如用地面做參照物，那麼單目與目標連線就會與地面形成一定夾角，再結合單目與地面的高度，就能計算出距離。
二、單目測距用記憶模型比對法，如一小孩的氫氣球飄向空中，氣球越飄越高，氣球的圖像與映像中的圖像相比是越來越小；當氣球的圖像是初始圖像的一半大時，則距離為初始距離的二倍。
③ 關於自動音樂生成演算法（如WolframTone http://tones.wolfram.com/)
http://www.matrix67.com/blog/archives/835
是用低維的類似「生命游戲」的演算法生成的。
④ 急！Sobel運算元邊緣檢測演算法程序代碼誰有啊，能不能發到我的郵箱[email protected]
close all
clear all
I=imread('tig.jpg'); %讀取圖像
I1=im2double(I); %將彩圖序列變成雙精度
I2=rgb2gray(I1); %將彩色圖變成灰色圖
[thr, sorh, keepapp]=ddencmp('den','wv',I2);
I3=wdencmp('gbl',I2,'sym4',2,thr,sorh,keepapp); %小波除噪
I4=medfilt2(I3,[9 9]); %中值濾波
I5=imresize(I4,0.2,'bicubic'); %圖像大小
BW1=edge(I5,'sobel'); %sobel圖像邊緣提取
BW2=edge(I5,'roberts'); %roberts圖像邊緣提取
BW3=edge(I5,'prewitt'); %prewitt圖像邊緣提取
BW4=edge(I5,'log'); %log圖像邊緣提取
BW5=edge(I5,'canny'); %canny圖像邊緣提取
h=fspecial('gaussian',5); %高斯濾波
BW6=edge(I5,'zerocross',[ ],h); %zerocross圖像邊緣提取
figure;
subplot(1,3,1); %圖劃分為一行三幅圖，第一幅圖
imshow(I2); %繪圖
figure;
subplot(1,3,1);
imshow(BW1);
title('Sobel運算元');
subplot(1,3,2);
imshow(BW2);
title('Roberts運算元');
subplot(1,3,3);
imshow(BW3);
title('Prewitt運算元');
⑤ 求apriori演算法的測試數據 [email protected]
Apriori演算法樹據來自事務
模擬數據很簡單，建立一張訂單表Order，一張訂單項表Item，一對多關系。一條訂單模擬一個事務（Transaction）。模擬一個銷售過程，產生大量訂單，統計訂單就可以了。
⑥ 跪求som神經網路的MATLAB源代碼，謝謝各位大哥大姐。如果運行結果代碼正確，高分相送。
SOM:
close all
clf reset
figure(gcf);
echo on
pause
clc
p=zscore(data);%biaozhunhua
pause
clc
plot3(p(:,1),p(:,2),p(:,3),'*');
axis([0 1 0 1]);
title('Input data');
pause
clc
net=newsom([0 1;0 1],[9]);
pause
clc
net.trainParam.epochs=100;
net=train(net,p);
pause
clc
figure;
w=net.IW{1};
%IW 是輸入層到第一層的權值矩陣
%LW 是中間層和輸出層，也就是神經元到神經元的權值
%b 是第Ni層的偏向向量
plotsom(net.IW{1,1},net.layers{1}.distances);
pause
clc
a=sim(net,[0.6;0.8])
echo off
⑦ 自組織特徵映射網（SOM）中的權值向量是什麼意思
答：
人工神經網路是有向概率隨機網路
每條路徑都有實現概率和方向
權值就是這條路徑的實現概率
權值向量就是這條路徑的指向和權值共同組成的向量。
⑧ 求自定義的加密解密演算法，對中文有效！！急！ [email protected]
有一個比較坑爹的 （加密後體積x8）
和一個比較安全的 （源碼我的同學不給）
@我要
⑨ 自組織特徵映射網（SOM）java的源碼
SOM神經網路也屬於自組織型學習網路，只不過更特殊一點它屬於自組織特徵的映射網路。該網路是由一個全連接的神經元陣列組成的無教師，自組織，自學習的網路。kohonen認為，處於空間中不同區域的神經元有著不同的分工，當一個神經網路接受外界輸入模式時，將會分為不同的反映域，各區域對於輸入模式具有不同的相應特徵。
%隨機生成1000個二維向量，作為樣本，並繪出其分布
P = rands(2,1000);
plot(P(1,:),P(2,:),'+r')
title('初始隨機樣本點分布');
xlabel('P(1)');
ylabel('P(2)');
%建立網路，得到初始權值
net=newsom([0 1; 0 1],[5 6]);
w1_init=net.iw{1,1}
%繪出初始權值分布圖
figure;
plotsom(w1_init,net.layers{1}.distances)
%分別對不同的步長，訓練網路，繪出相應的權值分布圖
for i=10:30:100
net.trainParam.epochs=i;
net=train(net,P);
figure;
plotsom(net.iw{1,1},net.layers{1}.distances)
end
%對於訓練好的網路，選擇特定的輸入向量，得到網路的輸出結果
p=[0.5;0.3];
a=0;
a = sim(net,p)
SOM神經網路執行的時候，每次執行後的結構不一樣，原因是每一次激發的神經元不一樣，但是無論激活那個神經元，最後的分類結果不會改變。
缺點：就是有的神經元的初始權值向量里輸入向量太遠以至於他從未在競爭中獲勝，因而也從未得到學習，就形成了死神經元。
⑩ 數據挖掘中的聚類演算法聚成幾類是人為設定還是自動的用SOM神經網路做聚類是不是就是人為設定好聚幾類
看了之前的回答，都不專業
聚類分析是一種無指導的分析，如果理解聚類的核心含義，你就能明白，聚類的數量是沒有標準的，必須人為設定，但是特殊的聚類方法可以給你一些參考，比如：系統聚類，它可以生成聚類樹，這樣你就能直觀判斷分成幾類合適。再比如：二階聚類，系統模型會自動選擇分成幾類（如果不人為設定）。
聚類是無指導的訓練樣本，分類是有指導的訓練樣本，分類就是通過已知的樣本建立分類規則，來預測新樣本的分類，為什麼是有指導的？因為分類是用樣本的其它屬性來解釋、預測我們感興趣的屬性的模型，這是白話。舉例：我們知道一批用戶的人口統計變數、消費、工資和貸款還款情況，現在我們要用用戶的人口統計變數、消費、工資來對用戶的貸款還款情況進行預測，這就是分類模型，在這里要用到分類決策樹。就是說我們用樣本的其它屬性來對樣本的貸款還款情況建立分類規則，然後對未來的新樣本進行預測，判斷新用戶是否是理想的放貸對象