搜索资源列表
knn
- K=5的K近邻分类，训练样本集含有30个样本,矢量长度为5-K = 5 K-neighbor classification, the training sample set containing 30 samples, vector length of 5
AnimprovedBayesianfacerecognitionalgorithm
- 对人脸识别的贝叶斯方法ML中相似度计算公式进行了简化，对数据集的训练和人脸图像的预处理进 行了修改，提出了一种改进的贝叶斯人脸识另1】算法SML。在FERET人脸图像库的子集和南大人脸图像实验库上对 识别算法进行了测试和比较。实验表明，SML算法提高了ML算法的效率，克服了ML算法计算效率不高的缺陷，而 且SML的识别效率明显高于PCA方法。-Bayesian face recognition method on the ML in the similarity formula ha
LJParser
- 聚类算法相关知识，有语料和训练文本集，可供大家学习。-AppWizard has created this application for you. This application not only demonstrates the basics of using the Microsoft Foundation classes but is also a starting point for writing your application.
program
- 编写了一个pso优化bp神经网络的程序，应用在分类中。第一步：pso优化bp神经网络得到最优的阈值和权值，第二步bp神经网络把该最优的阈值和权值作为初始阈值和权值，采用动量及自适应学习速率算法进行训练。附件中，是数据和编写的部分程序，tiqushuju是用来提取文本中的数据构造样本集的函数。mubiao是用来构造期望输出的函数。bp是已经编写好的，未使用pso优化的bp神经网络函数。pso是本人编写的pso优化bp神经网络的函数，psobp是采用pso优化的阈值和权值作为bp神经网络的初始权值和
ANN_BP--classifier
- ANNbp对UCI中鸢尾花数据集分类，150做训练样本，剩下150做测试样本-ANNbp on the UCI iris data set classification, 150 training samples, the remaining 150 test samples
51-assembly-assembly
- 51汇编程序集，经典51汇编开发的训练集合。-51 assembly assembly
bpsinx
- 采用bp神经网络对函数y=sin（x）进行训练，然后用测试集对训练的函数进行测试，也就是函数逼近sin（x)的曲线-Bp neural network using the function y = sin (x) for training, and then use the test set to test the training function, that is, function approximation sin (x) curve
PCAPLDA
- PCA+LDA人脸识别，PCA降维到N-C,（N为训练样本数，C为类别数）使得Sw非奇异，主要是解决小样本，数据集为ORL，每类取9（可改）个图片-PCA+LDA recognition, PCA dimensionality reduction to NC, (N is the number of training samples, C is the number of categories) make Sw nonsingular, mainly to resolve the small s
c4.5
- c4.5决策树批量预测代码，将GetData函数中fallDetect.cases改成想要预测的预测集的名字，在linux下用gcc编译，将main函数中的fallDetect.tree改成你自己的决策树模型的名字，使用前必须在同一目录下放有使用c4.5训练出来的决策树-c4.5 decision tree batch prediction code, the name changed to GetData function fallDetect.cases want to predict th
test
- C++实现的埃尔曼神经网络算法，里面有一个例子，是3位二进制数转换成1个十进制数的数据集训练-Elman neural network algorithm C++ achieve, there are a good example is the three binary number is converted into a decimal number of data sets training
beiyesifenleiqi
- 模式识别，用贝叶斯手写数字识别。有训练集合测试集。-Pattern recognition, Bayesian handwritten numeral recognition. There are training set test set.
Rosetta1
- rosetta软件，用于系统故障诊断粗糙集属性约简，由21个参数减少到4个参数，有利于训练神经网络。-rosetta software for system troubleshooting rough set attribute reduction, 21 parameters reduced to four parameters, help train the neural network.
SVM.R
- 利用R语言实现SVM.已经编写为函数，只需输入测试集和训练集数据即可-using R to do SVM classify。user only have to upload training and test data
RTextToolsExample
- 机器学习 R语言 对于多组Text类型数据进行训练和测试源码，用于鉴别是否是垃圾邮件。仅需要修改当前数据集的路径名称和label.csv的路径名称.-R for language learning machine multiple sets of Text data type training and testing source code used to identify whether it is spam. Only need to modify the current data set
sinx
- 支持向量分类机matlab系统工具箱使用小程序，内含训练数据集-Support vector machine matlab system toolbox applet. containing training data set
程序
- SOM-SVM模型是利用SOM的聚类特点，将含有相同特征的输入样本聚集在一起，并把离聚类中心较远的输入样本舍去。经过20%的样本压缩后，将含有代表性的小样本再送入SVM进行训练。本文的样本集通过实验平台采集，验证了基于支持向量机的频谱感知方法在实际数据测试条件下也能取得很好的感知性能。仿真结果表明，SOM-SVM模型在低信噪比下，频谱检测率接近100%，检测错误率也得到了很好的改善。(The SOM-SVM model is based on clustering characteristics
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
LSSVMlabv
- trainlssvm函数用于训练模型，主要有两种使用形式： [alpha, b] = trainlssvm({X,Y,type,gam,kernel_par,kernel,preprocess}) model = trainlssvm(model)或者model = trainlssvm(model, X, Y) X和Y分别是训练样本集的输入和输出数据。(The trainlssvm function is used for training models, and there are t
纯C-CNN
- 纯C深度学习库，里面包含MNIST手写数字识别数据集，编译就能训练和预测(Pure C depth learning library, which contains MNIST handwritten digital recognition data sets, compiling can be trained and predicted.)
fenlei
- 利用深度学习进行遥感图像场景分类 这里我们对NWPU-RESISC45数据集的场景图像进行分类 我们将卷积神经网络应用于图像分类。我们从头开始训练数据集。此外，还应用了预先训练的VGG16 abd ResNet50进行迁移学习。(Scene Classification of Remote Sensing Images Using Deep Learning Here we classify scene images from NWPU-RESISC45 dataset We apply