搜索资源列表
文字识别程序
- 目前该手写体识别系统主要分为 预处理模块： 主要包括训练数据和识别数据的读取，归一化，二值化 特征提取模块：主要包括笔划方向特征和网格密度特征，还可以根据对识别率的要求继续增加其他特征 识别（分类器）模块：主要包括SVM方法和BP神经网络的方法，其中SVM方法的识别率较高，SVM＋网格密度特征， 在小字符集情况下，达到了识别率97％以上 采用OO思想编写，适合做二次开发-currently the handwriting recognition system consists of pretre
VL_SMS_Client
- 能够根据GPS数据调用网络地图,联网后能够定位车辆,能够选择两个网络地图和一个本地安装地图,能够模拟GPS输出数据以接到其他的任何电子地图系统.有400个历史数据功能.是内部测试版,含有许多被屏蔽功能.使用DEMO,DEMO,DEMO三个KEY接入,同时只能有一个人接入,多人接入将被报警.-According to the GPS data transfer network map interface to position vehicles, two networks to choose a
pcaBPneuralnetwork
- 用主成分分析与神经网络进行人脸的识别 文件是整个的ＭＡＴＬＡＢ数据文件-using principal component analysis and neural networks face identification document is the entire data file MATLAB
CubicPlateSDK
- 软件名称： 车牌识别模块开发包 CubicPlate SDK 试用版 最新版本： 1.2 文件大小： 2.05M 软件性质： 图像处理 使用平台： Win2K/XP 发布公司： CubicImage Software Co.,Ltd. 上海名图软件有限公司 下载网址： http://www.cubicimage.com 软件简介 CubicPlate 是当前最高速的车牌识别核心模块，识别一帧图像仅3毫秒。 由上海名图软件有限公司CubicImage Softwar
VCBP
- 一个基于BP网络的含噪音数字识别程序-A program based on BP networks point-digit recognition
HOPFIELD_classic
- 此程序用C++开发， 属于神经网络中经典的hopfeild算法 程序， 包括源代码。-this program with C development, neural networks belonging to the classic hopfeild algorithm procedures, including source code.
imageprocessingprograme
- 包含图象处理的各种基本源代码.灰度操作,图象滤波,几何变换,形态学变换,正交变换,图象分割,图像复原,纹理特征,人工神经网络等.-includes image processing of basic source code. Gray operation, image filtering, geometric transformation, morphological transformation, orthogonal transformation, image segmentation, i
yichuansuanfaimageseg
- 遗传算法与BP神经网络结合，可以进行彩色图像和灰度图像的分割。-Genetic algorithm and BP neural networks that can be color images and gray-scale image segmentation.
PatternClassificationenglish
- 模式识别经典书籍。清晰地阐明了模式识别的经典方法和新方法，包括神经网络，随机方法，遗传算法以及机器学习理论。-Pattern Recognition classic books. Spell out the classic pattern recognition methods and new methods, including neural networks, stochastic methods, genetic algorithms and machine learning theory
optical_flow
- Phase-based Opic Flow Algorithm, described in Gautama, T. and Van Hulle, M.M. [2002]. A Phase-based Approach to the Estimation of the Optical Flow Field Using Spatial Filtering. IEEE Trans. Neural Networks, 13[5], 1127--1136.- Phase-based
A_Phase-based_Approach_to_the_Estimation_of_the_Op
- 一种基于相位的光流计算方法，该方法不同于以往基于微分的计算方法，而是采用空间滤波器，取得非常好的效果。该结果发表于IEEE Trans. Neural Networks,13(5), 1127--1136. -Gautama, T. and Van Hulle, M.M. (2002). A Phase-based Approach to the Estimation of the Optical Flow Field Using Spatial Filtering, IEEE Tr
analgorithmforextractionandanalysis
- 摘要图像特征的提取是视觉图像识别的重要方法之一，采用细胞神经网络（&’’）并行处理器进行图像特征的提取 具有实时快速的优点。该文将介绍&’’ 并行处理器的基本工作原理及其实现图像特征处理的逻辑组合通用方法，并以 图像的纹理分割与识别为例来说明&’’ 并行处理器应用于视觉图像识别的通用编程方法。-Abstract image feature extraction is a visual image to identify one of the important ways, the use
OpticalCharacterNeuralNetwork
- 文章和附件代码教你如何使用人工智能的神经网络开发一个简单的光学字符识别(OCR)应用程序，程序可以获得非常高质量的识别率和性能。-Creating Optical Character Recognition (OCR) applications using Neural Networks How the use of neural network can simplify coding of OCR applications.
Small-world-networks-based-on-adaptive-threshold-e
- 基于小世界网络的自适应阈值边缘检测算法Small-world networks based on adaptive threshold edge detection algorithm-Small-world networks based on adaptive threshold edge detection algorithm
xiaobo
- 本书全面系统介绍了小波分析的基本理论和最新研究成果，重点介绍小波分析的应用成果，并通过软件实现来检验应用效果。全书分为三篇：第一篇是小波理论，包含8章内容，小波分析的发展历史及文献综述、准备知识、多分辨分析与共轭滤波器、连续小波变换、最佳小波基的构造及算法、二维母小波的构造、框架与样条小波理论、时间----频率分析；第二篇是小波应用，包含12章内容，详细介绍了小波分析在图象压缩、流体力学、工业CT、故障诊断、语音分割、数学物理、地球物理勘探、医学细胞识别、线性系统、神经网络等方面的应用；第三篇是
Wireless-Sensor-Networks
- 无线传感器的定位技术，主要是基于测距技术以及仿真环境-Research on RSSI-Based Localization system in wireless sensor networks
e-bmp
- 易语言验证码识别，基于神经网络，可自行训练！识别验证码必备！-CAPTCHA easy language, based on neural networks, self-training! Identification verification code necessary!
compare-two-networks-difference
- 用transcad的gisdk二次开发实现路网的差异比较- Compare Two Networks Difference
Venation-networks-
- 可以对图像处理返回对应的距离值，实现快速图像处理，达到目的。-deal with image
4-Sinc-kernel--Neural-Networks-
- 4个信号理论的支持向量分类方法从内核神经网络以后22(1)49-57 2009 _nelson_-4 A signal theory approach to support vector classification the Sinc kernel Neural Networks 22 (1) 49-57 2009_nelson_nn