تجزیه تات برای ماتریس ها و دو - مترویدها

روش انتخاب ویژگی براساس یادگیری زیرفضا و تجزیه ماتریس پایه برای داده‌های میکرو-آرایه‌ای DNA

داده‌های میکرو-آرایه‌ای DNA در یادگیری ماشین و تشخیص انواع مختلف ساختارهای سرطانی نقش مهمی را ایفا می‌کنند. داده‌های میکرو-آرایه‌ای، به طور معمول شامل تعداد زیادی از ویژگی‌ها و تعداد کمی نمونه می‌باشند. همچنین، اینگونه داده‌ها به دلیل داشتن برخی ویژگی‌های نامرتبط می‌توانند موجب بیش‌برازش و دقت پیش‌بینی پایین طبقه‌بند کننده‌ها شوند. بنابراین، آنالیز داده‌های میکرو-آرایه‌ای امری مهم و پرچالش در ی...

تجزیه عامل ها برای صفات مرفولوژیک و فنولوژیک در لوبیا

به منظور بررسی صفات مرفولوژیک و فنولوژیک موثر و شناخت عوامل پنهانی تاثیرگذار بر عملکرد در لوبیا، آزمایشی با استفاده از 576 از نمونه های کلکسیون لوبیای طرح حبوبات دانشکده کشاورزی، دانشگاه تهران (کرج) در سال 1376 در مزرعه تحقیقاتی دانشکده در قالب یک طرح مشاهده ای ساده انجام گرفت. در این مطالعه 22 صفت کمی مورد ارزیابی قرار گرفت. از روش تجزیه به مولفه های اصلی برای تعیین تعداد عامل ها استفاده شد. ت...

آنالیز همگرایی AOR پیش شرط سازی شده برای -M و -H ماتریس ها

قضیه زنجیر برای مترویدها

چکیده ندارد.

تجزیه ی ماتریس برای داده کاوی

تجزیه ی ماتریس دارای کاربردهای زیادی نظیر: کاهش بعد، تشخیص الگو، آنالیز بیان ژن و ... می باشد. از آنجا که دربسیاری از کاربردها مانند تشخیص چهره، عناصر منفی وجود و معنا ندارند، تجزیه غیرمنفی و باینری ماتریس پیشنهاد داده شده است. در تجزیه ماتریس باینری، همه ی عناصر باینری هستند و جمع و ضرب نیز در فضای باینری تعریف می شوند. از بین انواع تجزیه باینری، تجزیه ستونی باینری ماتریس که توسط میئتنین ارائه...

تجزیه رتبه کامل شکل پلکانی ماتریس ها

هدف اصلی این پایان نامه بدست آوردن یک تجزیه رتبه کامل پلکانی برای ماتریس های کلا مثبت (نامنفی) و ماتریس های کلا نامثبت (منفی) است و اینکه هر ماتریسی تجزیه رتبه کامل پلکانی ندارد. بدین منظور ابتدا به بیان خواص و چگونگی تجزیه ماتریس های کلا مثبت (نامنفی) پرداخته و سپس با استفاده از این مطالب به معرفی ماتریس های کلا نامثبت (منفی)، خواص وچگونگی تجزیه و تولید آنها می پردازیم.