KVV、KVVP是什么意思，区别是什么？ KVVR、KVVRP是什么意思区别是什么？ 它们适用于什么场所 请高手帮忙解

1. KVV、KVVP是什么意思，区别是什么？ KVVR、KVVRP是什么意思区别是什么？ 它们适用于什么场所 请高手帮忙解

KVV是控制电缆，KVVP是屏蔽控制电缆。两者的区别是：
1、KVV电缆没有屏蔽效果，而KVVP电缆带有屏蔽效果。
2、KVV电缆主要敷设在室内、电缆沟、管道固定场合，KVVP电缆主要敷设在室内、电缆沟、管道等要求屏蔽的固定场合。
KVVR是铜芯聚氯乙烯绝缘聚氯乙烯护套控制软电缆，KVVRP是铜芯聚氯乙烯绝缘聚氯乙烯护套编制屏蔽控制软电缆。两个的区别是：
1、KVVR电缆没有屏蔽效果，而KVVRP电缆带有屏蔽效果。
2、KVVR电缆主要敷设在室内移动要求柔软等场合，KVVRP主要敷设在室内移动要求柔软、屏蔽等场合。
电缆的常用代码：
1、用途代码：不标为电力电缆，K-控制缆，P-信号缆；
2、导体材料代码：不标为铜（也可以标为CU），L-铝；
3、内护层代码：Q-铅包，L-铝包，H-橡套，V-聚氯乙烯护套，内护套一般不标识；
4、外护层代码：V-聚氯乙烯，Y-聚乙烯电力电缆；
5、派生代码：D-不滴流，P-干绝缘；
6、特殊产品代码：TH-湿热带，TA-干热带，ZR-阻燃，NH-耐火，WDZ-低烟无卤、企业标准。

扩展资料：
KVV电缆使用特性：
1、工频额定电压Uo/U为450/750V
2、电缆导体的允许长期最高工作温度为70℃
3、电缆敷设时环境温度应不低于0℃，若环境温低于0℃时，应对电缆进行预热
4、电缆的推荐允许弯曲半径：无铠装电缆，应不低于电缆外径的6倍；铠装或铜带屏蔽电缆，应不低于电缆外径的12倍；屏蔽软电缆，应不低于电缆外径的6倍。
参考资料：百度百科-kvv电缆

2. spark kmeans 簇的个数为最大选多少

用spark做kmeans算法的例子,里边导入的数据总是有sample_linear_regression_data.txt sample_svm_data。

3. 统计模型和大数据模型所使用的主要算法有什么异同

1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计 学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如 果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数据处理： 自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析： 假设检验、显著性检验、差异分析、相关分析、T检验、 方差分析 、 卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、 因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数据挖掘： 分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。

大数据的处理
1. 大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的 数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除 此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这 些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使 用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通 的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数 据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于 统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。

4. Invalid MEX-file 'E:\vlfeat-0.9.18\toolbox\mex\mexw64\vl_kmeans.mexw64': 找不到指定的模块

我遇到过相似问题，这是解决经验你可以参考下。
尝试以下步骤：
1、把vlfeat的库加入路径，或者执行vl_setup，再试试。
2、如果不行，在MATLAB中执行 E:\vlfeat-0.9.18\toolbox\vl_compile，可以重新在你的系统环境下编译所需的mex文件。当然你的系统里要装有VS之类的c编译器。编译完应该能用了。
3、如果还不行，将toolbox文件夹下的所有dll 还有那个新编译出来的 vl_kmeans.mexw64 拷到你执行m文件的目录下面，再试试。
此外，你可以考虑下个最新版本的VLFEAT。。好像新版本改进了对MATLAB 2014的支持。

5. libsvm的C-SVC和V-SVC 有什么区别？

用LIBSVM工具箱,它是由台湾大学林智仁(Chih-Jen Lin)等开发和设计的,它是...可以解决C-支持向量分类(C-SVC)、v-支持向量分类(v-SVC)

6. weka3-6中使用libsvm出现错误：problem evaluating classifier: rand，求高手帮忙解决，小妹感激不尽。

1）首先是配置不合理，libsvm.jar一定要放在 #cp#前面，否则会提示错误；
"#wekajar#;libsvm.jar;#cp#;" #mainclass#  成功设置的标志是你在weka\classify\function\下的libsvm变成黑色的，原先是蓝色，即表示weka还不能调用libsvm.jar。
 
2）配置完成后，即weka可以调用libsvm(变成黑色)，还有可能回出现分析不了数据现象，这时候则是libsvm版本包的问题。
 
3）更换高级版本的libsvm包：你可能会发现官网中的weka下的libsvm(2.89)没有高级版本，你可以用matlab下的libsvm(3.18)版本，你只需要将matlab下tool下的libsvm.jar复制替换weka中的libsvm.jar。其实weka通过wlsvm.jar告诉weka怎么调用libsvm.jar运行计算，置于libsvm.jar是matlab下的还是weka下的无所谓，他就是一个jar库类。

7. svm的输入和输出问题

你好，LIBSVM简介 [.v5o#V
d

sH:Luo+]

支持向量机所涉及到的数学知识对一般的化学研究者来说是比较难的，自己编程实现该算法难度就更大了。但是现在的网络资源非常发达，而且国际上的科学研究者把他们的研究成果已经放在网络上，免费提供给用于研究目的，这样方便大多数的研究者，不必要花费大量的时间理解SVM算法的深奥数学原理和计算机程序设计。目前有关SVM计算的相关软件有很多，如LIBSVM、mySVM、SVMLight等，这些软件大部分的免费下载地址和简单介绍都可以在[url]
http://www.kernel-machines.org/[/url]上获得。 pq2j j.XL7m4B

LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在[url]
http://www.csie.ntu.edu.tw/~cjlin/[/url]免费获得。该软件可以解决C-SVM分类、-SVM分类、-SVM回归和-SVM回归等问题，包括基于一对一算法的多类模式识别问题。在第2章中我们也介绍了该软件的一些优点，因此通过综合考虑，我们决定采用该软件作为工作软件。SVM用于模式识别或回归时，SVM方法及其参数、核函数及其参数的选择，目前国际上还没有形成一个统一的模式，也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻或者利用软件包提供的交互检验功能进行寻优。 

4lE qC iC mt'j?)FN"b

LIBSVM使用方法 p-t8\q9P!e(jVL6e



1XP6S+YzWZ LibSVM是以源代码和可执行文件两种方式给出的。如果是Windows系列操作系统，可以直接使用软件包提供的程序，也可以进行修改编译；如果是Unix类系统，必须自己编译，软件包中提供了编译格式文件，我们在SGI工作站(操作系统IRIX6.5)上，使用免费编译器GNU C++3.3编译通过。 |U4E P})T/u

8rur3[8U.zeQ9VX

LIBSVM使用的数据格式 W2}&p]lU

该软件使用的训练数据和检验数据文件格式如下： x4Vy\ G1y6g\3~

<label> <index1>:<value1> <index2>:<value2> ... 

6a X)I&x9l@4cU {2q 其中<label> 是训练数据集的目标值，对于分类，它是标识某类的整数(支持多个类)；对于回归，是任意实数。<index> 是以1开始的整数，可以是不连续的；<value>为实数，也就是我们常说的自变量。检验数据文件中的label只用于计算准确度或误差，如果它是未知的，只需用一个数填写这一栏，也可以空着不填。在程序包中，还包括有一个训练数据实例：heart_scale，方便参考数据文件格式以及练习使用软件。 

H'?-]1a%HC Us 可以编写小程序，将自己常用的数据格式转换成这种格式 

"pm2M;L7E{~5t 

mLf \*?8n"x9A Svmtrain和Svmpredict的用法 

g Ddk2C-Cd LIBSVM软件提供的各种功能都是DOS命令执行方式。我们主要用到两个程序，svmtrain(训练建模)和svmpredict(使用已有的模型进行预测)，下面分别对这两个程序的使用方法、各参数的意义以及设置方法做一个简单介绍： 

8x*l/L/E0b Svmtrain的用法：svmtrain [options] training_set_file [model_file] U1NjN e f%W}0R

Options：可用的选项即表示的涵义如下 

'fH*{2_5u -s svm类型：SVM设置类型(默认0) 

_`"JB+i@9~ 0 -- C-SVC O)Z5y$E$c#Cy

1 --v-SVC 

MQL(d;t 2 – 一类SVM 

$E(@D ShN 3 -- e -SVR 

] K ]V~b+t0}2Gl 4 -- v-SVR 

J0j5|rJ[ -t 核函数类型：核函数设置类型(默认2) 

,pvvLy O 0 – 线性：u'v Cj-AB;jn8Cbk

1 – 多项式：(r*u'v + coef0)^degree 7nq{|q*] @1{3T

2 – RBF函数：exp(-r|u-v|^2) o4S JB-zV2P%?,C

3 –sigmoid：tanh(r*u'v + coef0) \"m w._)u|,Bu4C

-d degree：核函数中的degree设置(默认3) K0?8R!fR;g+W2k

-g r(gama)：核函数中的函数设置(默认1/ k) :u6r%p*o$QG

-r coef0：核函数中的coef0设置(默认0) &xO&LjbX(y

-c cost：设置C-SVC， -SVR和-SVR的参数(默认1) Y:N.Jv8v

-n nu：设置-SVC，一类SVM和- SVR的参数(默认0.5) 

;r:h%XN2HH6Bf -p e：设置 -SVR 中损失函数的值(默认0.1) 
sW'o.m-R7]

-m cachesize：设置cache内存大小，以MB为单位(默认40) 

:K ^*y[BE7]\7U -e ：设置允许的终止判据(默认0.001) )rI#@C7F5Q Rw,J R']Vz{

-h shrinking：是否使用启发式，0或1(默认1) "|g6wfu

-wi weight：设置第几类的参数C为weightC(C-SVC中的C)(默认1) 

4Rf W-~|oY] -v n: n-fold交互检验模式 Js}7ee&n\{c

其中-g选项中的k是指输入数据中的属性数。option -v 随机地将数据剖分为n部分并计算交互检验准确度和均方根误差。以上这些参数设置可以按照SVM的类型和核函数所支持的参数进行任意组合，如果设置的参数在函数或SVM类型中没有也不会产生影响，程序不会接受该参数；如果应有的参数设置不正确，参数将采用默认值。training_set_file是要进行训练的数据集；model_file是训练结束后产生的模型文件，文件中包括支持向量样本数、支持向量样本以及lagrange系数等必须的参数；该参数如果不设置将采用默认的文件名，也可以设置成自己惯用的文件名。 E M%WTF

Svmpredict的用法：svmpredict test_file model_file output_file 1bv R [?d

model_file是由svmtrain产生的模型文件；test_file是要进行预测的数据文件；Output_file是svmpredict的输出文件。svm-predict没有其它的选项。 FOiJEO4vsVo#Q



Sx$^&O+K7I@-V;z(M svmtrain -s 0 -c 1000 -t 1 -g 1 -r 1 -d 3 data_file VAHQ!cm+b*Q)t U

训练一个由多项式核(u'v+1)^3和C=1000组成的分类器。 u:p+jD5q"Pr

svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file 

JxJ&A.J8n t/D*[+Kd 在RBF核函数exp(-0.5|u-v|^2)和终止允许限0.00001的条件下，训练一个-SVM ( = 0.1)分类器。 

9P |4Q'xM}7m
o[K!T svmtrain -s 3 -p 0.1 -t 0 -c 10 data_file 

1| A {;}9R{+qI 以线性核函数u'v和C=10及损失函数= 0.1求解SVM回归。;^       27118希望对你有帮助！

8. 求一个matlab工具箱libsvm-mat。

其实就是著名的SVM工具箱libsvm的matlab版本。。。
附件里就是。里面有用matlab2013b 64位+VS2010编译好的。不过最好自己重新编译一遍。