搜索资源列表
pca-svm
- 本程序用于对训练样本提取独立主元,作为样本特征,并送入SVM分类器中训练图像的预处理中不取对数,也无须做幅度归一,由ICA的应用条件决定的。预处理后的图像以向量的形式按行排列
HOG-LBP-detection
- 该程序分别提取正负样本图像的HOG和LBP特征,利用支持向量机进行样本训练,得到行人分类器。利用训练好的分类器进行检测,实验结果表明,该方法可以有效检测出图像中的行人,并达到了较好的检测结果。-A novel approach based on combining Histogram of oriented gradients (HOG) and LocalBinary Pattern(LBP) is suggested in the program.Also liner SVM is acte
SVM2004
- 支持向量机工具箱,内含demo程序,教你如何训练SVM和进行特征分类-Suppot Vector Machine (SVM) toolbox, Author Dr Gavin C. Cawley
ImageThemeFilter
- 对图像进行分主题过滤。 根据给定的图像样本集,进行样本训练,提取多个颜色空间中的多种方式(颜色矩,纹理谱,直方图,肤色模型等)的得到图像特征集;对待过滤图像进行特征提取,向量匹配,进而实现图像分主题分类功能。-Sub-theme of the image filter. According to a given set of image samples to conduct the training samples to extract more color space in multipl
onTextCategorization
- 本文比较研究了在中文文本分类中特征选取方法对分类效果的影响。考察了文档频率DF、信息增 益IG、互信息MI、V2分布CHI 四种不同的特征选取方法。采用支持向量机(SVM) 和KNN两种不同的分类 器以考察不同抽取方法的有效性。实验结果表明, 在英文文本分类中表现良好的特征抽取方法( IG、MI 和 CHI)在不加修正的情况下并不适合中文文本分类。文中从理论上分析了产生差异的原因, 并分析了可能的 矫正方法包括采用超大规模训练语料和采用组合的特征抽取方法。最后通过实验验证组合特征
hqsmyqdm
- 包含特征值与特征向量的提取、训练样本以及最后的识别,考虑雨衰 阴影 和多径影响,是本科毕设的题目,具有丰富的参数选项,插值与拟合,解方程,数据分析,用MATLAB实现的压缩传感,可以实现模式识别领域的数据的分类及回归,对信号进行频谱分析及滤波。- Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, Consider shadow rain atten
hvfkryxd
- 包含特征值与特征向量的提取、训练样本以及最后的识别,抑制载波型差分相位调制,一种流形学习算法(很好用),阵列信号处理的高分辨率估计,使用matlab实现智能预测控制算法,可以实现模式识别领域的数据的分类及回归。- Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, Suppressed carrier type differential phase
nicfzymb
- FIR 底通和带通滤波器和IIR 底通和带通滤波器,是路径规划的实用方法,Relief计算分类权重,包含特征值与特征向量的提取、训练样本以及最后的识别,从先验概率中采样,计算权重,基于chebyshev的水声信号分析。- Bottom-pass and band-pass FIR and IIR filter bottom pass and band-pass filter, Is a practical method of path planning, Relief computing cla
btqwzhux
- 对于初学者具有参考意义,基于分段非线性权重值的Pso算法,包括主成分分析、因子分析、贝叶斯分析,自己编的5种调制信号,Relief计算分类权重,包含特征值与特征向量的提取、训练样本以及最后的识别,是学习PCA特征提取的很好的学习资料。- For beginners with a reference value, Based on piecewise nonlinear weight value Pso algorithm, Including principal component analys
fwjucvmg
- Relief计算分类权重,与理论分析结果相比,包含特征值与特征向量的提取、训练样本以及最后的识别,多目标跟踪的粒子滤波器,FIR 底通和带通滤波器和IIR 底通和带通滤波器,包含了阵列信号处理的常见算法。- Relief computing classification weight, Compared with the results of theoretical analysis, Contains the eigenvalue and eigenvector extraction, the
nhgjpdvx
- 包含特征值与特征向量的提取、训练样本以及最后的识别,BP神经网络用于函数拟合与模式识别,车牌识别定位程序的部分功能,采用累计贡献率的方法,可以实现模式识别领域的数据的分类及回归,采用波束成形技术的BER计算,阵列信号处理的高分辨率估计,添加噪声处理。- Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, BP neural network funct
saijai_v39
- 包含特征值与特征向量的提取、训练样本以及最后的识别,关于神经网络控制,可以实现模式识别领域的数据的分类及回归。- Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, On neural network control, You can achieve data classification and regression pattern recogni
fiufai_v16
- 包含特征值与特征向量的提取、训练样本以及最后的识别,本程序的性能已经达到较高水平,可以实现模式识别领域的数据的分类及回归。- Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, The performance of the program has reached a high level, You can achieve data classific
one
- 基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由 于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状 特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor 滤波和灰度共生矩阵 方法得到。而形状特征向量由 Hu 氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用“dropout”方法训练 深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法-Plant based
two
- :植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而,低维特征不能全面描述叶片信息,识别准确率低,本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理,获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征,对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征,对纹理图像提取分形维数,共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相
0024
- 匹配追踪和正交匹配追踪,包含特征值与特征向量的提取、训练样本以及最后的识别,Relief计算分类权重。- Matching Pursuit and orthogonal matching pursuit, Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, Relief computing classification weight.
kpjdf
- Relief计算分类权重,包含特征值与特征向量的提取、训练样本以及最后的识别,pwm整流器的建模仿真。- Relief computing classification weight, Contains the eigenvalue and eigenvector extraction, the training sample, and the final recognition, Modeling and simulation pwm rectifie.
Colorhist_Libsvm_dem
- 随着科学技术的飞速发展,机器学习与人工智能技术的不断创新,人们对特定信息检索的需求逐渐增加,使得如何对资源进行合理有效的分类成为一个关键问题。近几年来,基于内容的图像分类的研究焦点主要集中在自然图像的场景分类和物体分类两个方面,大多采用有监督学习方法,通过对底层特征建模和中间语义分析来实现分类。 本文基于Libsvm的图像分类研究及实现,主要针对的是物体分类这一方面,选用了五类水果作为分类研究的对象。对图像进行分类的大体步骤主要包括采集图像样本(主要从Web上获取)、图像预处理(如截成大小一致
learning-spark-master
- 将逻辑回归应用于二元分类的情况。这里以垃圾邮件分类为例,即是否为垃圾邮件两种情况。然后,根据词频把每个文件中的文本转换为特征向量,训练出一个可以把两类消息分开的逻辑回归模型,判断输入测试语句是否为垃圾邮件。(Spark MLlib (Java): Input: spam.txt; normal.txt; text sentence. Output:1.0(spam), 0.0(normal email))
matlab表情识别
- Matlab表情识别,特征脸[1 ]作为面部表情分类的方法。首先,利用训练图像创建低维人脸空间(pca)。这是通过训练图像集主成分分析(PCA)及图片主成分分析(即具有较大特征值的特征向量)获得的。 结果,所有的测试图像以所选择的主成分表示,计算投影图像与所有投影列车图像的欧几里得距离,选择最小值以找出与试验图像最相似的训练图像。(The feature face [1] is used as a facial expression classification method. Firstly,