sklearn PCA

时间: 2023-09-01 07:12:23 浏览: 26
PCA是指主成分分析（Principal Component Analysis）,是一种常用的降维算法。在sklearn库中，可以使用以下代码导入PCA模块：from sklearn.decomposition import PCA。 PCA模块提供了fit()方法来对数据进行降维，fit()方法是PCA算法中的训练步骤。由于PCA是无监督学习算法，所以fit()方法的参数y通常为None。在PCA模块中，还有一些重要的参数和属性，比如n_components、svd_solver、random_state、components_、explained_variance_和explained_variance_ratio_等。在使用PCA对手写数字数据集进行降维的案例中，可以使用以下代码导入需要的模块和库：from sklearn.decomposition import PCA from sklearn.ensemble import RandomForestClassifier as RFC from sklearn.model_selection import cross_val_score import matplotlib.pyplot as plt import pandas as pd import numpy as np。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [sklearn专题四：降维算法](https://blog.csdn.net/Colorfully_lu/article/details/121968806)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [【python】sklearn中PCA的使用方法](https://blog.csdn.net/qq_20135597/article/details/95247381)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

相关推荐

sklearn pca

sklearn中的PCA（Principal Component Analysis，主成分分析）是一种降维方法，可以将高维数据降到低维，同时尽量保留原始数据的信息。 使用sklearn进行PCA的步骤如下： 1. 导入PCA模块：from sklearn.decomposition import PCA 2. 创建PCA模型：pca = PCA(n_components=2)，其中n_components表示降维后的维度，这里设置为2。 3. 训练PCA模型：pca.fit(X)，其中X为原始数据集。 4. 使用PCA模型进行降维：X_new = pca.transform(X)，其中X_new为降维后的数据集。 PCA模型还有一些其他的参数和方法，例如可以通过explained_variance_ratio_属性查看每个主成分所占的方差比例，或者使用inverse_transform()方法将降维后的数据转换回原始数据空间。

sklearn pca降维

在sklearn中，PCA降维算法被包括在模块decomposition中。PCA的API文档为sklearn.decomposition.PCA，它提供了一些参数用于定制化降维过程，比如n_components用于指定降维后的维度数量，copy用于指定是否复制原始数据，whiten用于指定是否对数据进行白化处理等等。\[1\] 在实际应用中，我们可以使用sklearn的PCA模块来进行降维操作。降维的结果不一定都是好的，因此在解决实际问题时，我们需要同时计算降维前后的结果，并进行比较。降维后的数据是不可解释的，但不影响最终的计算结果。\[2\] sklearn中的降维算法都被包括在decomposition模块中，这个模块本质上是一个矩阵分解模块。矩阵分解在过去的十年中取得了很大的进展，它可以应用于降维、深度学习、聚类分析、数据预处理、低维度特征学习、推荐系统、大数据分析等领域。因此，sklearn的PCA模块是一个非常强大和多功能的降维工具。\[3\] #### 引用[.reference_title] - *1* *2* [Sklearn - PCA数据降维](https://blog.csdn.net/taon1607/article/details/106842006)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [使用Sklearn学习降维算法PCA和SVD](https://blog.csdn.net/qq_38163244/article/details/109237230)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

python sklearnpca函数

Python的sklearn库中的PCA函数是用于执行主成分分析（Principal Component Analysis）的函数。PCA是一种常用的降维技术，可以将高维数据转换为低维数据，同时保留尽可能多的原始数据的信息。 该函数的官方文档可以在中找到。其中，PCA函数的参数包括： - n_components：指定降维后的特征维度数目，默认值为min(样本数，特征数)。可以是一个整数、浮点数、None或字符串。如果设置为'mle'，则使用Minka's MLE方法来估计降维后特征的维度。 - copy：是否将原始数据复制一份，默认为True。 - whiten：是否对数据进行白化处理，默认为False。 - svd_solver：指定使用的SVD分解方法，默认为'auto'。可以是'auto'、'full'、'arpack'或'randomized'。 - tol：指定SVD分解的停止标准。 - iterated_power：指定迭代次数的幂。 - random_state：指定随机种子的值。 除了参数，PCA函数还有一些属性，如n_components_、n_features_、n_samples_，它们分别表示降维后的特征维度数目、原始数据的特征数和样本数，详细说明可以在中找到。 PCA函数还包括一些类方法，其中最值得关注的是score和score_sample函数。前者返回所有样本的对数似然概率的均值，后者返回每个样本的对数似然概率值。这两个方法对于研究最大似然PCA或者PPCA可能会有帮助，更多信息可以在中了解到。 总结来说，Python的sklearn库中的PCA函数提供了执行主成分分析的功能，可以通过设置参数来控制降维的特征维度数目和其他相关属性。通过调用类方法可以得到相应的结果。123 #### 引用[.reference_title] - *1* *2* *3* [Python Sklearn PCA函数详解](https://blog.csdn.net/qq7835144/article/details/103436685)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

python sklearn pca

Python中的sklearn库中提供了PCA（Principal Component Analysis）算法，用于降维。PCA是一种常用的数据降维方法，可以将高维数据降到低维，从而减少数据的维度，提高数据的可视化和处理效率。在sklearn中，PCA算法可以通过调用sklearn.decomposition.PCA类来实现。该类提供了fit()、transform()和fit_transform()等方法，可以对数据进行拟合、转换和拟合转换等操作。

sklearn PCA 图像压缩

sklearn库中的PCA（主成分分析）函数可以用于图像压缩。通过使用PCA，可以将图像数据从高维空间降低到较低的维度，从而实现图像压缩。首先，通过加载图像并将其转换为灰度图像，可以得到表示图像的2D数组。然后，使用PCA函数指定所需的主成分数量，对图像数据进行降维。降维后的数据可以通过逆变换重新转换为原始空间。最后，可以根据压缩前后的图像数据之间的误差来评估图像压缩效果。下面是使用sklearn库中的PCA函数进行图像压缩的示例代码： import numpy as np from sklearn.decomposition import PCA from PIL import Image def loadImage(path): img = Image.open(path) img = img.convert("L") width = img.size height = img.size data = img.getdata() data = np.array(data).reshape(height,width)/100 return data if __name__ == '__main__': data = loadImage("timg.jpg") pca = PCA(n_components=10).fit(data) x_new = pca.transform(data) recdata = pca.inverse_transform(x_new) newImg = Image.fromarray(recdata*100) newImg.show() 以上示例代码加载了一张图像（"timg.jpg"），将其转换为灰度图像，并使用PCA将图像的维度降低到10个主成分。然后，将降维后的数据逆变换回原始空间，并通过Image.fromarray函数将压缩后的图像显示出来。请注意，具体的主成分数量可以根据需要进行调整。123 #### 引用[.reference_title] - *1* [在Python中使用K-Means聚类和PCA主成分分析进行图像压缩](https://download.csdn.net/download/weixin_38549327/14910469)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* *3* [机器学习之PCA实战（图像压缩还原）](https://blog.csdn.net/Vincent_zbt/article/details/88648739)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

sklearn pca 如何使用

Python中的sklearn库中提供了PCA（Principal Component Analysis）算法，用于降维。PCA是一种常用的数据降维方法，可以将高维数据降到低维，从而减少数据的维度，提高数据的可视化和处理效率。在sklearn中，PCA算法可以通过调用sklearn.decomposition.PCA类来实现。该类提供了fit()、transform()和fit_transform()等方法，可以对数据进行拟合、转换和拟合转换等操作。

sklearn pca 如何使用 举例

当使用星号（*）操作符解包数组时，可以将数组的每个元素作为单独的参数传递给函数。这在调用需要可变数量参数的函数时非常有用。让我们来看一个使用sklearn中PCA的例子： python from sklearn.decomposition import PCA from sklearn.datasets import load_iris # 加载数据集 iris = load_iris() X = iris.data # 创建PCA对象，指定降维后的维度 pca = PCA(n_components=2) # 拟合数据并进行降维 X_pca = pca.fit_transform(X) # 查看降维后的数据 print(X_pca) 在上面的例子中，我们首先导入了PCA类和load_iris函数。然后，我们加载了鸢尾花数据集，并将其赋值给变量X。接下来，我们创建了一个PCA对象，并指定了降维后的维度为2。然后，我们使用fit_transform方法对数据进行拟合和转换，将原始数据X降维为X_pca。最后，我们打印出降维后的数据X_pca。 这只是一个简单的示例，你可以根据自己的需求调整参数和操作。PCA还有其他可用的方法和属性，可以根据需要进行进一步的探索和使用。

sklearn pca expained_variance_ratio_

在PCA降维中，我们通常会关注降维后的每个新特征向量所能解释的原始数据方差的比例，即解释方差比例（explained variance ratio）。在sklearn中，可以通过PCA对象的explained_variance_ratio_属性来获取每个新特征向量所解释的方差比例。 具体使用方法如下： 1. 在进行PCA降维操作后，通过pca.explained_variance_ratio_获取每个新特征向量所解释的方差比例。 python pca = PCA(n_components=2) new_data = pca.fit_transform(data) var_ratio = pca.explained_variance_ratio_ 2. 对方差比例进行解释。例如，如果新特征向量中第一个向量的方差比例为0.8，第二个向量的方差比例为0.2，则说明第一个向量能够解释80%的原始数据方差，第二个向量能够解释20%的原始数据方差。 通过解释方差比例，我们可以判断降维后的新特征向量是否能够很好地保留原始数据的信息。如果某个新特征向量的方差比例很小，说明该向量所包含的信息较少，降维后仍可能会丢失一些重要信息。反之，如果某个新特征向量的方差比例很大，说明该向量所包含的信息较多，降维后仍能够很好地保留原始数据的信息。

sklearn使用pca

在使用sklearn进行PCA降维时，可以按照以下步骤进行操作： 1. 首先，导入所需的库和模块，包括from sklearn.decomposition import PCA和import numpy as np等等。\[1\] 2. 创建一个numpy数组作为输入数据，例如X = np.array(\[\[-1, -1\], \[-2, -1\], \[-3, -2\], \[1, 1\], \[2, 1\], \[3, 2\]\])。\[3\] 3. 实例化PCA对象，可以通过pca = PCA(n_components=2)来指定要保留的主成分个数。\[3\] 4. 使用fit_transform()方法对输入数据进行降维操作，例如newX = pca.fit_transform(X)。这将返回降维后的数据。\[3\] 5. 可以使用inverse_transform()方法将降维后的数据转换回原始数据，例如invX = pca.inverse_transform(newX)。\[3\] 6. 可以使用explained_variance_ratio_属性来获取每个主成分所解释的方差比例，例如print(pca.explained_variance_ratio_)。\[3\] 这样，你就可以使用sklearn进行PCA降维了。 #### 引用[.reference_title] - *1* *2* [sklearn学习06——PCA](https://blog.csdn.net/qq_42929168/article/details/122243326)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *3* [【python】sklearn中PCA的使用方法](https://blog.csdn.net/qq_20135597/article/details/95247381)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

sklearn.pca

PCA (Principal Component Analysis) 是一种常用的降维技术，它可以将高维数据降维到低维空间中，同时保留大部分原始数据的信息。在 scikit-learn 库中，PCA 可以通过 sklearn.decomposition 模块中的 PCA 类来使用。 要使用 PCA，首先需要导入 PCA 类： python from sklearn.decomposition import PCA 然后，可以创建一个 PCA 对象，并指定想要降维到的维度数： python pca = PCA(n_components=k) 其中，k 是想要降维到的维度数。接下来，可以使用 fit() 方法拟合数据，并使用 transform() 方法将数据转换到降维后的空间： python pca.fit(X) X_reduced = pca.transform(X) 其中，X 是一个包含原始数据的矩阵。fit() 方法用于拟合数据，计算出主成分，并将其保存在 PCA 对象中。transform() 方法用于将数据转换到降维后的空间。转换后的数据存储在 X_reduced 中。 除了 fit() 和 transform() 方法外，PCA 类还提供了其他一些方法和属性，用于获取主成分、计算解释方差比等信息。更详细的使用方法可以参考 scikit-learn 官方文档。 希望以上信息能对你有所帮助！如有更多问题，请继续提问。

pca sklearn

PCA是一种常用的降维方法，可用于减少数据集的维度并保留最重要的信息。在sklearn中，可以使用sklearn.decomposition包中的PCA类来实现PCA降维。使用PCA的主要步骤如下： 1. 导入所需的库和模块： python from sklearn.decomposition import PCA 2. 创建PCA对象并指定降维后的维度： python pca = PCA(n_components=k) 其中，k表示要降至的维度数。 3. 使用fit方法拟合PCA对象并对数据进行降维： python pca.fit(X) X_pca = pca.transform(X) 其中，X为原始数据集，X_pca为降维后的数据集。 4. 查看降维后的数据集形状： python print("X_pca.shape: {}".format(X_pca.shape)) 这将打印出降维后的数据集形状。

PCA sklearn

PCA(sklearn)是指使用sklearn库中的主成分分析(Principal Component Analysis)方法进行降维的操作。主成分分析是一种常见的数据降维方法，通过在保持数据中信息损失较小的情况下将高维数据转换为低维数据，从而减小计算量。 你可以使用sklearn中的PCA类来实现这一过程。首先，需要导入相关的库，例如torch.utils.data、torchvision.datasets、torchvision.transforms、numpy和matplotlib.pyplot。然后，你可以使用PCA类对数据进行降维。PCA的主要原理是通过线性变换，将高维的数据转换成低维的数据，同时保留了大部分数据的方差信息。这样，你就可以用较低维度的数据表示原始数据，从而减小计算量。

使用sklearn的PCA

使用sklearn的PCA可以通过以下步骤进行： 1. 导入PCA类： python from sklearn.decomposition import PCA 2. 创建PCA对象： python pca = PCA(n_components=k) 其中，参数n_components指定了要保留的主成分个数，可以根据数据的特点进行调整。 3. 对数据进行拟合和转换： python X_pca = pca.fit_transform(X) 其中，X是原始数据矩阵，X_pca是降维后的数据矩阵。 4. 查看主成分方差贡献率： python pca.explained_variance_ratio_ 该属性可以查看每个主成分的方差贡献率，可以用来判断保留多少个主成分比较合适。 5. 查看主成分的特征向量和特征值： python pca.components_ pca.explained_variance_ 其中，pca.components_是一个数组，每一行代表一个主成分的特征向量，pca.explained_variance_是一个数组，每个元素代表一个主成分的特征值。可以用来分析原始数据的主要特征。 6. 将降维后的数据还原到原始空间： python X_recovered = pca.inverse_transform(X_pca) 该步骤可以将降维后的数据矩阵还原到原始空间，以便进行后续的分析和处理。

sklearn的pca代码

在使用sklearn进行主成分分析（PCA）时，首先需要导入相关的库和模块。可以使用以下代码加载iris数据集并构建DataFrame： from sklearn.datasets import load_iris import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler %matplotlib inline # 加载数据，构建DataFrame iris = load_iris() 接下来，可以使用PCA类进行无监督数据降维。以下是一段示例代码： from sklearn.decomposition import PCA from sklearn.linear_model import LogisticRegression pca = PCA(n_components=2) # 设置要保留的主成分个数为2 lr = LogisticRegression() # 创建逻辑回归模型 x_train_pca = pca.fit_transform(x_train_std) # 对训练数据进行PCA降维 x_test_pca = pca.fit_transform(x_test_std) # 对测试数据进行PCA降维 lr.fit(x_train_pca, y_train) # 使用降维后的数据训练逻辑回归模型 plot_decision_regions(x_train_pca, y_train, classifier=lr) # 绘制决策边界 plt.xlabel('PC1') plt.ylabel('PC2') plt.legend(loc='lower left') plt.show() 这段代码中，先创建了一个PCA对象，通过设置n_components参数为2来指定保留的主成分个数。然后，使用fit_transform方法对训练数据和测试数据进行PCA降维。接下来，使用逻辑回归模型对降维后的数据进行训练，并使用plot_decision_regions函数绘制决策边界。最后，通过调用plt.show()显示图像。 这段代码实现了使用sklearn进行主成分分析（PCA）的基本步骤和方法。你可以根据自己的数据和需求进行相应的修改和调整。123 #### 引用[.reference_title] - *1* [机器学习代码实战——PCA（主成分分析）](https://download.csdn.net/download/weixin_38622983/13752287)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [基于sklearn的主成分分析(PCA)代码实现](https://blog.csdn.net/Charzous/article/details/107958972)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
zip

半导体半导体周期底部关注先进封测及新机发布-4页.pdf.zip

行业报告 文件类型：PDF格式 打开方式：双击打开，无解压密码 大小：10M以内
py

python Zbar 二维码识别，跟踪，二维码框示周围，倾角计算，内容读取

python Zbar 二维码识别，跟踪，二维码框示周围，倾角计算，内容读取
zip

基于STC8A单片机基础实验例程源码之-RS485总线数据收发实验（串口3）.zip

基于STC8A单片机基础实验例程源码之-RS485总线数据收发实验（串口3）.zip
zip

传媒互联网行业腾讯携款产品亮相科隆游戏展上半年国内直播电商交易规模万亿元-7页.pdf.zip

行业报告 文件类型：PDF格式 大小：10M以内 用途：行业研究报告
rar

多普勒流速剖面仪（ADCP）数据集.rar

多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集多普勒流速剖面仪（ADCP）数据集

最新推荐

具体介绍sklearn库中：主成分分析（PCA）的参数、属性、方法

文章目录主成分分析（PCA）Sklearn库中PCA一、参数说明（Parameters）二、属性（Attributes）三、方法（Methods）四、示例（Sample）五、参考资料（Reference data） 主成分分析（PCA） 主成分分析（Principal ...

半导体半导体周期底部关注先进封测及新机发布-4页.pdf.zip

行业报告 文件类型：PDF格式 打开方式：双击打开，无解压密码 大小：10M以内

python Zbar 二维码识别，跟踪，二维码框示周围，倾角计算，内容读取

python Zbar 二维码识别，跟踪，二维码框示周围，倾角计算，内容读取

基于STC8A单片机基础实验例程源码之-RS485总线数据收发实验（串口3）.zip

基于STC8A单片机基础实验例程源码之-RS485总线数据收发实验（串口3）.zip

传媒互联网行业腾讯携款产品亮相科隆游戏展上半年国内直播电商交易规模万亿元-7页.pdf.zip

行业报告 文件类型：PDF格式 大小：10M以内 用途：行业研究报告

安全文明监理实施细则_工程施工土建监理资料建筑监理工作规划方案报告_监理实施细则.ppt

安全文明监理实施细则_工程施工土建监理资料建筑监理工作规划方案报告_监理实施细则.ppt

"REGISTOR：SSD内部非结构化数据处理平台"

REGISTOR：SSD存储裴舒怡，杨静，杨青，罗德岛大学，深圳市大普微电子有限公司。公司本文介绍了一个用于在存储器内部进行规则表达的平台REGISTOR。Registor的主要思想是在存储大型数据集的存储中加速正则表达式（regex）搜索，消除I/O瓶颈问题。在闪存SSD内部设计并增强了一个用于regex搜索的特殊硬件引擎，该引擎在从NAND闪存到主机的数据传输期间动态处理数据为了使regex搜索的速度与现代SSD的内部总线速度相匹配，在Registor硬件中设计了一种深度流水线结构，该结构由文件语义提取器、匹配候选查找器、regex匹配单元（REMU）和结果组织器组成。此外，流水线的每个阶段使得可能使用最大等位性。为了使Registor易于被高级应用程序使用，我们在Linux中开发了一组API和库，允许Registor通过有效地将单独的数据块重组为文件来处理SSD中的文件Registor的工作原

typeerror: invalid argument(s) 'encoding' sent to create_engine(), using con

这个错误通常是由于使用了错误的参数或参数格式引起的。create_engine() 方法需要连接数据库时使用的参数，例如数据库类型、用户名、密码、主机等。 请检查你的代码，确保传递给 create_engine() 方法的参数是正确的，并且符合参数的格式要求。例如，如果你正在使用 MySQL 数据库，你需要传递正确的数据库类型、主机名、端口号、用户名、密码和数据库名称。以下是一个示例： ``` from sqlalchemy import create_engine engine = create_engine('mysql+pymysql://username:password@hos

数据库课程设计食品销售统计系统.doc

数据库课程设计食品销售统计系统.doc

海量3D模型的自适应传输

为了获得的目的图卢兹大学博士学位发布人：图卢兹国立理工学院（图卢兹INP）学科或专业：计算机与电信提交人和支持人：M. 托马斯·福吉奥尼2019年11月29日星期五标题：海量3D模型的自适应传输博士学校：图卢兹数学、计算机科学、电信（MITT）研究单位：图卢兹计算机科学研究所（IRIT）论文主任：M. 文森特·查维拉特M.阿克塞尔·卡里尔报告员：M. GWendal Simon，大西洋IMTSIDONIE CHRISTOPHE女士，国家地理研究所评审团成员：M. MAARTEN WIJNANTS，哈塞尔大学，校长M. AXEL CARLIER，图卢兹INP，成员M. GILLES GESQUIERE，里昂第二大学，成员Géraldine Morin女士，图卢兹INP，成员M. VINCENT CHARVILLAT，图卢兹INP，成员M. Wei Tsang Ooi，新加坡国立大学，研究员基于HTTP的动态自适应3D流媒体2019年11月29日星期五，图卢兹INP授予图卢兹大学博士学位，由ThomasForgione发表并答辩Gilles Gesquière�