搜索资源列表
CKPCA-HOG-SVM
- 为了准确地对监控场景中的运动目标进行语义上的分类，提出了一种基于聚类的核主成分分析梯度方向直方图和二又决策树支持向量机的运动目标分类算法。-In order to accurately monitor the movement of scene targets semantic classification, the clustering based on kernel principal component analysis of gradient direction histograms,
pca
- 主成分分析程序，可用于数据降维及特征提取。-Principal component analysis procedures, can be used for data dimensionality reduction and feature extraction.
PCA-(ICA)
- 主成分分析程序包，包括主成分分析和独立主成分分析两个程序源代码。-Principal component analysis package, including principal component analysis principal component analysis and independent source code for both procedures.
SVMluzhenbo
- SVM-matlab故障诊断程序 -SVM-matlab process fault diagnosis fault diagnosis SVM-matlab program
ToolBox
- matlab图像处理工具相，使用了主成分分析，ANN，SVM等方法。-This toolBox used in the image processing(feature extraction and classification) PCA,LDA,ICA,DCT,RBF,RBE,GRNN,KNN,minimum distance,SVM, and others
KPCA
- 核主成分分析方法，是主成分分析的一种改进算法，是一种非线性的特征提取方法。 -Kernel principal component analysis, is the principal component analysis of an improved algorithm, is a nonlinear feature extraction method.
svm
- svm核主成分分析，简单实用，毕业论文程序-svm kernel principal component analysis, simple and practical, graduation procedures
KPCA_SVM_Train-jkk
- 主成分、支持向量机分类，matlab编写的-Principal component, support vector machine classification, matlab prepared
SVMPCA
- 在机器学习中经常会用到支持向量机，该代码是再使用支持向量机前对数据进行主成分分析的代码-We often meet support vector machine in machine learning , the code is about the principal component analysis befor using support vector machine (SVM).
HOG
- 为了准确地对监控场景中的运动目标进行语义上的分类， 提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法．利用背景减法提取运动目标前景区域， 并识别出潜在候选运动目标．利 用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征， 以较低维数的数据有效地描述运动目标的有效特征． 将提取的运动目标特征输入二叉决策树支持向量机， 实现多类目标的准确分类． 通过在不同视频序列上的实验验证， 提出的算法对运动目标进行较好地分类， 而且在运算速度方面较传
pcaForSVM
- 支持向量机（SVM）主成分分析法进行预处理筛选变量- support vector machine (SVM)，PCA(principal component analysis)
locv
- 最先进的KPCA主成分提取法，加最先进的高斯SVM法，再加传统的交叉验证学习预测法。-The most advanced KPCA principal components extraction method, and the most advanced gaussian SVM method, then add the traditional cross validation forecast method of learning.
chapter13
- matlab实现PCA和SVM人脸识别 主成分分析 和 支持向量机-the matlab realize PCA and SVM face recognition
face-recognition-system
- 基于PCA和SVM的人脸识别系统，该系统为Matlab源代码编程，利用PCA（主成分分析）和SVM（支持向量机）方法进行训练、识别和测试，人脸识别率为91 。-Based on the PCA and SVM of the face recognition system
PCA-SVM
- 用于主成分图像svm分类，简单，有很好的程序，适合初学者(SVM for principal component image classification, simple, there are very good procedures for beginners)
分类器比较
- 支持向量机，线性判别分析，回归树，主成分判别分析，分类回归树，K临近算法(SVMLinear discriminant analysis, regression tree, principal component discriminant analysis, classification regression tree, K proximity algorithm)
基于主分量的人脸重构
- 本实验是基于主成分分析法（PCA）在人脸识别中的应用，采用SVM分类器在ORL人脸库的基础上通过Matlab实现了快速PCA算法的验证仿真。
(PCA+SVM)人脸识别
- 人脸识别，降维 加分类，主成分分析降维，支持向量机分类(Face recognition, principal component analysis reduced Vega classification, dimension reduction, support vector machine classification)
基于PCA的SVM分类
- 选择“BreastCancer”数据集，使用支持向量机(SVM)对其进行分类。作为对比，第一次对特征集直接进行支持向量机分类，第二次对特征集进行主成分分析法的特征提取后，再对特征提取后的特征集进行支持向量机分类。并且对比和分析了两次分类的结果。(The BreastCancer data set is selected and classified by Support Vector Machine (SVM). For comparison, the first time the featur
PCA-SVM-face
- 使用MATLAB语言，基于主成分分析和支持向量机进行人脸识别(MATLAB face detection)