搜索资源列表
dectect
- 基于高斯核密度模型的运动目标检测，适合图像处理专业人员参考-Based on the Gaussian kernel density model of moving target detection for image processing professionals reference
Particle_filter
- 基于粒子滤波器的机动目标跟踪技术 首先 ， 概 要介绍传统的Kalman滤波器，以及有所改进的扩展Kalman滤波器。 其次，为了能更好地解决在动态模型为非线性且噪声为非高斯的条件下对机动目标的 跟踪问题，通过概率统计理论详细阐述粒子滤波器基本原理。然后，针对不同的使用 条件，根据粒子滤波器的基本理论做出适当的修改和整理，就得到了四个相关的粒子 滤波器的变型，使用州以JLAB把它们对机动目标的跟踪性能作了详细地计算机模拟 仿真且用均方根误差更加精确地进行了比较。最后，把粒
LBF
- ：LBF 模型是一个著名的基于区域的活动轮廓模型。与PC（Piecewise Constant）模型不同，该模型引入了一个以高斯函数为 核函数的局部二值拟合（Local Binary Fitting，LBF）能量。因为LBF 能量能够获取图像的局部信息，所以LBF 模型解决了PC 模型 不能处理灰度不均一图像的分割问题。提出了一个改进的LBF 模型，它使用一个新的核函数代替高斯核函数-: LBF model is a well-known region-based active cont
code
- matlab程序：高斯核回带用法的支持向量机，对样本经行训练得到预测模型-matlab program: the Gaussian kernel back with the use of support vector machine prediction model of the samples by the line training
guss
- 【高斯核函数改进 参考价值1】LBF活动轮廓模型的改进.pdf【高斯核函数的改进 参考价值5】单核和多核相关向量机的比较研究.pdf-[Gaussian kernel improved reference value 1] .pdf LBF improved active contour models comparative study [.pdf Gaussian kernel improvements reference 5] single and multi-core related ve
rvptirgi
- 对于初学者具有参考意义，采用热核构造权重，利用贝叶斯原理估计混合logit模型的参数，本程序的性能已经达到较高水平，独立成分分析算法降低原始数据噪声，可以广泛的应用于数据预测及数据分析,欢迎大家下载学习。- For beginners with a reference value, Thermonuclear using weighting factors Bayesian parameter estimation principle mixed logit model, The perform
kde2d
- 二维高斯核函数重构 重构方法不依赖于参数化模型-2D Gaussian Kernel Reconstruction fast and accurate state-of-the-art bivariate kernel density estimator with diagonal bandwidth matrix. The kernel is assumed to be Gaussian. The two bandwidth parameter
ml_least_square_method_p030
- 使用随机梯度算法对高斯核模型进行最小二乘法学习-The Gaussian kernel model is learned by least squares method using stochastic gradient algorithm
ml_least_square_method_p036
- Matlab高斯核模型的l2约束最小二乘法学习-Constrained least squares learning with Gaussian kernel model
04带有约束条件的最小二乘法
- 高斯核模型约束 最小二乘法，亲手注释，效果不错，带拟合效果图(Gauss kernel model constrained least squares method, personally annotated, the effect is good, with the fitting effect diagram)
鲁棒学习
- Huber损失最小化学习和高斯核模型 的Huber损失最小化，竞赛用到过，效果不错(Huber loss minimization learning and Gauss kernel model Huber loss minimization, the competition used, the effect is good)
4
- UWA 2.X是如斯(AsThis)基于 PHP 和 MySQL 开发的通用建站系统，程序简洁、灵活而具备强大的扩展性，他将是您轻松建站的首选利器。 特点： [核] PFA干净，优雅的高质量的代码具有很高的通用性和可扩展性。 [模型简介]自定义模型文件，丰富的网站，易于扩展内容和二次开发。(UWA 2.X is a common build system based on PHP and MySQL, which is based on PHP and MySQL. The program