搜索资源列表
KL变换
- KL变换模式识别作业三 一、编程要求： 编程实现KL变换，并对TM六波段图像进行演算。 KL变换的思想是：从n维特征选取m维特征，删去的n-m维特征不一定就是无用的信息，如何在信息损失最小的情况下选取特征，在理论上就显得更严密些。通常采用正交变换，得到新的经变换的模式， 以保证信息损失最小情况下获得有利于分类的特征。 二、编程思想： 将6副图象依次输入获得灰度值存在一个6*size(size为一副图象的像素数)的二维数组中，计算每个波段的灰度均值，然后计算协方差矩阵，得出特征值
pow
- pow为幂法计算，求解矩阵的特征值和特征向量，本文提供了算例和程序-pow method for the power, solve the matrix eigenvalue and eigenvector, the paper provides examples and procedures
F5steganographic-1.0
- 针对F5隐写的检测，包括共生矩阵，不连续性的特征提取，DCT变换，灰度值提取，运用支持向量机SVM -For F5 steganography detection, including the co-occurrence matrix, feature extraction discontinuity, DCT transform, gray value extraction, using support vector machine SVM
Estimation-crowd-density
- 本文提出了一种基于小波变换与灰度共生矩阵的人群密度特征提取方法，进而利用支撑向量机实现人群密度级别的估 计。实验结果表明本文提出的方法是可行的。-In this paper, based on population density characteristics of the wavelet transform and GLCM extraction method, and then using the support vector machine to estimate the crowd
ss
- 给定若干两类二维的样本，用基于Fisher准则的方法投影到一维，求最佳投影方向，并画出图形。提示：即用以下矩阵的最大特征根对应的特征向量作为投影方向： -Given the number of samples of the two types of two-dimensional and one-dimensional projection method based on Fisher criterion to seek the best projection direction, and dr
backprop
- BP神经网络算法实现 批量处理的BP算法，隐层数为1 Z为特征向量组成的矩阵，n*m维，一行为一个样本 labZ为数据的类别，n*1维，每行对应样本的类别 M为隐层节点个数，T为迭代次数上限， epsilon为用于判断收敛的误差值，eta为学习率 W1为输入到隐层的权重，M*m维，B1为偏差，也就是乘以1的那个权重，M*1维 W2为隐层到输出的权重，c*M维，B2意义同B1，c*1维 estored为MLP的均方误差，每行是一次的误差
grayfeature
- 使用灰度共生矩阵提取图像的纹理特征，通过提取的特征来表示一副图像，最终每幅图像被表示为51维的一维向量。-Use GLCM texture features extracted image feature extraction is represented by an image, and ultimately each image is represented as a one-dimensional vector of 51 dimensions.
machine-learning_PCA
- 环境为winpython 32bit 2.7.5.3 p = PCA() print u"均值化后的数据集为：",p.dataset( H:\\PCA_test.txt ) print u"协方差矩阵为：",p.COV() print u"特征向量为：",p.eig_vector()[1] tt = p.pc(dim=1) print "tt:",tt print u"新的维度数据集",tt[1]- """ Principal c
levekducumentoperation
- 矩阵运算类：矩阵的数学运算, 矩阵特征值特征向量的求取()
slader__black__bit
- 设计了矩阵类,该类实现了矩阵的数学运算,包括矩阵乘除 求逆 求特征向量的!()
59553373
- 基于matlab和VC混合编程的程序,演示了Matlab中数组与VC类的转化的一个应用——矩阵特征值与特征向量的计算()
ohpr
- 矩阵运算类：矩阵的数学运算, 矩阵特征值特征向量的求取()
sklearn-SVM
- 支持向量机(SVM)——分类预测，包括核函数调参，不平衡数据问题，特征降维，网格搜索，管道机制，学习曲线，混淆矩阵，AUC曲线等(Support vector machine (SVM) - classification prediction, including kernel function parameter adjustment, unbalanced data problem, feature dimensionality reduction, grid search, pipelin