高维数据，高维数据的拟合用什么软件谢谢了

1，高维数据的拟合用什么软件谢谢了

matlab，mathematica,lindo,lingo应该都可以

卡巴斯基全功能安全软件2010，正在用，可以提供图： - 金山毒霸全套装 -- 26 k

高维数据的拟合用什么软件谢谢了

2，怎么判断高维数据集是不是稀疏的

超过三维四维的空间维度就被称为高维度因为它们无法被人们的感官所直观感知到高维数据又叫多维数据这个是指信息的获取渠道有多个不同的来源途径将各方各面各种不同的数据汇总起来综合地了解事物的各方面特性以对事物本身有一个比较全面

你好！当然是不需要的仅代表个人观点，不喜勿喷，谢谢。

怎么判断高维数据集是不是稀疏的

3，矩阵和一个一维但是包含高维数据的数组之间的区别

高维数据的概念其实不难，简单的说就是多维数据的意思。平时我们经常接触的是一维数据或者可以写成表形式的二维数据，高维数据也可以类推，不过维数较高的时候，直观表示很难。目前高维数据挖掘是研究重点，这是它的特点：高维数据挖掘是基于...

int i,j,a[4][4];for(i=0;i<4;i++) for(j=0;j<4;j++) scanf("%d",*(a+i)+j); for(i=0;i<4;i++)s+=a[i][i];printf("%d\n",s);s=0;for(i=0;i<4;i++)s+=a[i][3-i];printf("%d\n",s);

矩阵和一个一维但是包含高维数据的数组之间的区别

4，求高维数据检索方法

其实你这个高维的东西说的很模糊，毕竟总来看问题的可能不是你这个领域的人，所以对实际的问题比较模糊，还是不了解具体的含义。不过正常来说,查找最快速的方法是HASH表,其实相当与一个MAP,就是一一映射,但是设计一个好的HASH也比较难......还有就是树的方法,不过你的数据结构本身就特别复杂,所以用B树可能也很复杂.这个问题我觉得发到这里可能不是有特别好的结果,最好去国外数据库相关的论坛看看。因为你的这个数据量已经很大了。

又是课程设计来忽弄你们老师的吧~~~

Locality-Sensitive Hashing Scheme Based on Dynamic Collision Counting看懂这篇论文就知道怎么弄了

你的题我没有读懂,你可以用指针法,采用冒泡法或者用折中法都可以.

逐个查吧，建不了索引了。因为是128维，各维重要性一样，假设每一维分成两部分，那就是2^128个≈10^38部分，这样大的规模存储不下了。

5，高维纠缠态的维数是什么意思

高维数据的概念其实不难，简单的说就是多维数据的意思。平时我们经常接触的是一维数据或者可以写成表形式的二维数据，高维数据也可以类推，不过维数较高的时候，直观表示很难。目前高维数据挖掘是研究重点，这是它的特点：高维数据挖掘是基于高维度的一种数据挖掘，它和传统的数据挖掘最主要的区别在于它的高维度。目前高维数据挖掘已成为数据挖掘的重点和难点。随着技术的进步使得数据收集变得越来越容易，导致数据库规模越来越大、复杂性越来越高，如各种类型的贸易交易数据、Web 文档、基因表达数据、文档词频数据、用户评分数据、WEB使用数据及多媒体数据等，它们的维度（属性）通常可以达到成百上千维，甚至更高。由于高维数据存在的普遍性，使得对高维数据挖掘的研究有着非常重要的意义。但由于“维灾”的影响，也使得高维数据挖掘变得异常地困难，必须采用一些特殊的手段进行处理。随着数据维数的升高，高维索引结构的性能迅速下降，在低维空间中，我们经常采用欧式距离作为数据之间的相似性度量，但在高维空间中很多情况下这种相似性的概念不复存在，这就给高维数据挖掘带来了很严峻的考验，一方面引起基于索引结构的数据挖掘算法的性能下降，另一方面很多基于全空间距离函数的挖掘方法也会失效。解决的方法可以有以下几种：可以通过降维将数据从高维降到低维，然后用低维数据的处理办法进行处理；对算法效率下降问题可以通过设计更为有效的索引结构、采用增量算法及并行算法等来提高算法的性能；对失效的问题通过重新定义使其获得新生。

不明白啊 = =！

6，毕业论文高维数据下的假设检验分析从哪里着手分析

1、降维概述　　通常，高维特征集合存在以下几方面问题：　　?大量的特征；　　?许多与给定任务无关的特征，即存在许多与类别仅有微弱相关度的特征；　　?许多对于给定任务冗余的特征，如特征相互之间存在强烈的相关度；　　?噪声数据。　　特征降维，可以分为特征抽取和特征选择两种方式。特征抽取涉及到语义上的分析，而目前自然语言语义处理技术尚不发达，用特征抽取方法进行特征降维的效果并不显著。相比之下，特征选择选出的特征集合是原始特征集的子集，所以更易实现，方法也更加多样，典型的有DF、IG、MI、CHI。（1）特征抽取　　特征抽取也被称为特征重参数化（feature reparameterization）。由于自然语言中存在大量的多义词、同义词现象，特征集无法生成一个最优的特征空间对数据内容进行描述。特征抽取通过对原始特征空间进行变换，重新生成一个维数更小、各维之间更加独立的特征空间。特征抽取方法主要有如下几种：（2）特征选择　　特征选择是从特征集T=（3）特征降维策略　　从策略上可以将特征降维划分为局部降维和全局降维。局部降维是指对每个类别选择若干个最能识别它的特征作为新特征，有所有这些新特征构成新的特征空间，从而达到对原始特征空间的降维。全局降维是指选择对整个分类最有用的若干个特征构成新的特征空间，从而达到对原特征空间的降维。对于不同的降维方法，可采用的降维策略可能不同，但是通过特殊处理（如带权均值、最大值）后，特征对特定类地重要性也可以转换成特征对整个分类的重要性。2、降维模型　　现有的特征降维模型大致分为过滤模型、包裹模型及其他改进模型。（1）过滤模型