求告知art算法的matlab代码，步骤如下-CSDN社区

CSDN海神之光上传的代码均可运行，亲测可用，直接替换数据即可，适合小白； 1、代码压缩包内容主函数：main.m；调用函数：其他m文件；无需运行运行结果效果图； 2、代码运行版本 Matlab 2019b；若运行有误，根据提示修改；若不会，私信博主； 3、运行操作步骤步骤一：将所有文件放到Matlab的当前文件夹中；步骤二：双击打开main.m文件；步骤三：点击运行，等程序运行完得到结果； 4、仿真咨询如需其他服务，可私信博主或扫描博客文章底部QQ名片； 4.1 博客或资源的完整代码提供 4.2 期刊或参考文献复现 4.3 Matlab程序定制 4.4 科研合作图像重建：ASTRA算法图像重建、BP神经网络图像重建、投影法图像重建、小波变换图像分解重建、字典学习KSVD图像低秩重建、主成分分析PCA图像重建、正则化图像去噪重建、离散余弦变换DCT图像重建、卷积神经网络的图像超分辨率重建

一、课程简介本课程为最新录制，是《跟汤老师学Java》系列的第28季，主要讲解 Ajax 技术，非常适合初学者的入门教学视频，让你少走弯路，直达技术前沿！以通俗易懂的方式全面讲解 Ajax 技术，以知识讲解＋实战案例的方式帮您快速入门！二、课程内容课程包括：1.Ajax简介2.Ajax执行流程3.XMLHttpRequest用法4.响应JSON数据5.使用jQuery实现Ajax6.Ajax跨域之CORS7.Ajax跨域之JSONP8.API数据接口9.前端模板引擎artTemplate10.实战案例教学全程采用笔记+代码案例的形式讲解，每个知识点都有详细的讲解，通俗易懂！！！三、笔记截图四、学员好评【全网500万学员的选择，好评如潮，专业更值得信赖】五、讲师介绍

SIRT算法其思想在于利用通过该像素的全部射线，其迭代过程对图像每个像素的更新量是对所有投影线的修正按照贡献因子取加权平均，然后反投影得到。与ART每条投影线都对图像更新一次不同，SIRT算法综合了所有投影线的贡献，可以避免一条投影线上的误差对重建结果带来过大影响，因而可以有效抑制重建图像中的噪声。 2、算法实现步骤（1）对第条射线，计算估计投影值（2）计算实际投影与估计投影的误差（3）反投影值其中，是所有投影角度下光线的集合. （4）对第个像素点的值进行修正（5）将上一轮的结果作为初值，重复（1）~（4）的过程，直到达到收敛要求或指定的迭代次数。因此，SIRT算法的迭代公式为：其中，是松弛因子，是迭代次数。 3、优缺点分析由于SIRT算法对所有投影线的修正量进行了加权平均，显著地降低了迭代的收敛速度。另一方面，对每个像素更新时，需要计算好所有投影线的贡献，因此在实际计算中需要对各个投影线的贡献量进行存储，存储量至少比ART算法多一倍。因此，SIRT算法具有更好的稳定性，但是收敛速度慢、存储容量大，此两点成为影响其应用的主要问题。

《数据挖掘》实验报告目录 1.关联规则的基本概念和方法 1 1.1数据挖掘 1 1.1.1数据挖掘的概念 1 1.1.2数据挖掘的方法与技术 1 1.2关联规则 3 1.2.1关联规则的概念 3 1.2.2关联规则的实现——Apriori算法 4 2.用Matlab实现关联规则 6 2.1Matlab概述 6 2.2基于Matlab的Apriori算法 7 3.用java实现关联规则 11 3.1java界面描述 11 3.2java关键代码描述 14 4、实验总结 19 4.1实验的不足和改进 19 4.2实验心得 20 1.关联规则的基本概念和方法 1.1数据挖掘 1.1.1数据挖掘的概念计算机技术和通信技术的迅猛发展将人类社会带入到了信息时代。在最近十几年里，数据库中存储的数据急剧增大。数据挖掘就是信息技术自然进化的结果。数据挖掘可以从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的，人们事先不知道的但又是潜在有用的信息和知识的过程。许多人将数据挖掘视为另一个流行词汇数据中的知识发现（KDD）的同义词，而另一些人只是把数据挖掘视为知识发现过程的一个基本步骤。知识发现过程如下： ·数据清理（消除噪声和删除不一致的数据） ·数据集成（多种数据源可以组合在一起） ·数据转换（从数据库中提取和分析任务相关的数据） ·数据变换（从汇总或聚集操作，把数据变换和统一成适合挖掘的形式） ·数据挖掘（基本步骤，使用智能方法提取数据模式） ·模式评估（根据某种兴趣度度量，识别代表知识的真正有趣的模式） ·知识表示（使用可视化和知识表示技术，向用户提供挖掘的知识）。 1.1.2数据挖掘的方法与技术数据挖掘吸纳了诸如数据库和数据仓库技术、统计学、机器学习、高性能计算、模式识别、神经网络、数据可视化、信息检索、图像和信号处理以及空间数据分析技术的集成等许多应用领域的大量技术。数据挖掘主要包括以下方法。神经网络方法：神经网络由于本身良好的鲁棒性、自组织自适应性、并行处理、分布存储和高度容错等特性非常适合解决数据挖掘的问题，因此近年来越来越受到人们的关注。典型的神经网络模型主要分3大类：以感知机、bp反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型；以hopfield的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型；以art模型、koh olon模型为代表的，用于聚类的自组织映射方法。神经网络方法的缺点是"黑箱"性，人们难以理解网络的学习和决策过程。遗传算法：遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，是一种仿生全局优化方法。遗传算法具有的隐含并行性、易于和其它模型结合等性质使得它在数据挖掘中被加以应用。sunil已成功地开发了一个基于遗传算法的数据挖掘工具，利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。遗传算法的应用还体现在与神经网络、粗糙集等技术的结合上。如利用遗传算法优化神经网络结构，在不增加错误率的前提下，删除多余的连接和隐层单元；用遗传算法和bp算法结合训练神经网络，然后从网络提取规则等。但遗传算法的算法较复杂，收敛于局部极小的较早收敛问题尚未解决。决策树方法：决策树是一种常用于预测模型的算法，它通过将大量数据有目的分类，从中找到一些有价值的，潜在的信息。它的主要优点是描述简单，分类速度快，特别适合大规模的数据处理。粗糙集方法：粗糙集理论是一种研究不精确、不确定知识的数学工具。粗糙集方法有几个优点：不需要给出额外信息；简化输入信息的表达空间；算法简单，易于操作。粗糙集处理的对象是类似二维关系表的信息表。目前成熟的关系数据库管理系统和新发展起来的数据仓库管理系统，为粗糙集的数据挖掘奠定了坚实的基础。但粗糙集的数学基础是集合论，难以直接处理连续的属性。而现实信息表中连续属性是普遍存在的。因此连续属性的离散化是制约粗糙集理论实用化的难点。覆盖正例排斥反例方法：它是利用覆盖所有正例、排斥所有反例的思想来寻找规则。首先在正例集合中任选一个种子，到反例集合中逐个比较。与字段取值构成的选择子相容则舍去，相反则保留。按此思想循环所有正例种子，将得到正例的规则(选择子的合取式)。比较典型的算法有michalski的aq11方法、洪家荣改进的aq15方法以及他的ae5方法。统计分析方法：在数据库字段项之间存在两种关系：函数关系(能用函数公式表示的确定性关系)和相关关系(不能用函数公式表示，但仍是相关确定性关系)，对它们的分析可采用统计学方法，即利用统计学原理对数据库中的信息进行分析。可进行常用统计(求大量数据中的最大值、最小值、