搜索资源列表
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo
libsvm-3.20
- 根据训练数据，使用SVMlib 学习TrainLetter.txt的linear SVM models, 进而预测测试数据TestLetter.txt的分类结果(According to the training data, the TrainLetter.txt linear SVM models is learned by using SVMlib, and then the classification results of the test data TestLetter.txt are
ELM
- MATLAB版极限学习机，自带训练集与测试集，可运行。(MATLAB version of the ELM, with its own data set)
tiny_cnn
- Tiny_cnn是一个简洁的纯C++11实现的深度学习框架，本人用的是VS2013+opencv2.4.13。用自己的数据训练和测试tiny_cnn,只需自己准备好训练数据train与测试数据val0\val1。把训练图像放到一个文件夹下，如文件夹train，把所有的图像直接批量重命名，但要保证每一类图像是连续存放的。(Train and test tiny_cnn with your own data)
re
- 可用于 caffe环境，适于初学者,包括了五个类别，每个类别100张图片 ，有公交 恐龙 鲜花 马 大象。(it can be used in caffe environment. suitable for new learner)
上海理工大学+US!+基于微信的图像识别系统
- 一个可在微信端使用的深度学习的图像识别程序，使用keras开发，文件内包含训练集下载方式。(A deep learning in WeChat use of the image recognition program, using keras development, the document contains the training set, Download methods.)
PNN网络代码
- 概率神经网络(Probabilistic Neural Network)是由D.F.Speeht博士在1989年首先提出，是径向基网络的一个分支，属于前馈网络的一种。它具有如下优点：学习过程简单、训练速度快；分类更准确，容错性好等。从本质上说，它属于一种有监督的网络分类器，基于贝叶斯最小风险准则。(Probabilistic neural network was first proposed by Dr. D.F.Speeht in 1989. It is a branch of radial
Desktop
- 此程序可以方便的进行神经网络学习训练练习(Neural network learning training exercises)
类比法
- 型的类比学习方法是K-最近邻方法,它属于懒散学习法,相比决策树等急切学习法,具有训练时间短,但分类时间长的特点。K-最近邻算法可以用于分类和聚类中(The analogy learning method is K- nearest neighbor method. It belongs to the lazy learning method. Compared with the decision tree learning method, it has the characteristics o
BP神经网络程序
- 是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。(It is a multilayer feedforward network trained by error backpropagation algorithm, and is one of the most widely used neural network models. BP networks can learn a
HMM
- %函数名称：HMMTrain %参数：V-------训练观察序列（n X 1Cell矩阵），IPI,IA,IB-------模型参数初始值 %返回值：PI,A,B-------模型参数的学习结果 %函数功能：隐含马尔科夫模型的Baum-Welch学习算法(% function name: HMMTrain % parameters: V------- trains the observation sequence (n, X, 1Cell matrix), IPI, IA, and I
Untitled
- 建立BP神经网络， 12个隐层神经元，4个输出神经元 tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数 tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数 trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数 learn属性 'learngdm' 附加动量因子的梯度下降学习函数(The BP neural network is established, with 12 hidden la
1709.04326
- 多智能体设置在机器学习中的重要性日益突出。超过了最近的大量关于深度的工作多agent强化学习，层次强化学习，生成对抗网络和分散优化都可以看作是这种设置的实例。然而，多学习代理人的存在这些设置使得培训问题的非平稳常常导致不稳定的训练或不想要的最终结果。我们提出学习与对手的学习意识（萝拉），一种方法，原因的预期。其他代理的学习。罗拉学习规则包括一个额外的术语，解释了在预期的参数更新的代理政策其他药物。我们发现，利用似然比策略梯度更新的方法，可以有效地计算萝拉更新规则，使该方法适合于无模型强化学习。这
B2DPCA和ELM人脸识别算法研究_李定珍
- 提出一种新型、高效的基于 Ｂ２ＤＰＣＡ（双向二维主成分分析）和 ＥＬＭ（极端学习机）的人脸识别算法， 该算法是根据曲波变换分解人脸图像和一种改进的降维技术，通 过 Ｂ２ＤＰＣＡ 生成识别特征集来训练和测试 ＥＬＭ 分类器，提高识别精度。通过大量实验，并把实验结果与现存技术进行比较，结果表明 Ｂ２ＤＰＣＡ＋ＥＬＭ 算法有效地提高了识别准确率，并降低了对原型数量的依赖。将来有望能把局部特征和基于曲波分解的全 局信息结合起来应用到识别精度和分类速度上。(a new human recognit
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
k_means
- 深度学习yolo通过k_means算法初始化anchor，只要修改图片大小和训练图片路径以及个数即可。(Deep learning Yolo initializes the anchor through k_means algorithm, as long as the size of the picture and the training picture path and number can be.)
matconvnet-1.0-beta24
- 深度学习基于MATLAB的Alexnet模型训练，模型是基于imagenet训练出参数(Deep learning model based on MATLAB Alexnet training model is based on imagenet training parameters)
face_train_use_keras.py
- 1.处理图像 2.机器学习 3.训练 4.生成训练文件(1. processing images 2. machine learning 3. training 4. generate training files)
PSK4
- 产生4PSK码元采样值， 同样可扩展修改成其他解调方式。 可做深度学习的训练数据集(training set of demodulation system)
bin
- haarconv 机器学习训练样本生成工具(Haarconv machine learning training sample generation tool)