搜索资源列表
KPCAandSVM
- KPCA与SVM共同用于人脸识别 SVM提高了分类效果 KPCA是一种借鉴SVM中核函数的一种较好的特征提取方法-KPCA and SVM for face recognition SVM together to improve the classification results from KPCA is a kernel function in SVM a better feature extraction method
kerneladatron
- kernel adatron, svm impelemtation using gradient ascent method, fast and accurate for solving SVM problem with two classes
kerneladatron
- Kernel adatron, solving svm with gradient ascend method. fast and accurate.
Gauss-SVM
- 基于Gauss 核函数SVM分类机，使用二阶几何方法训练。-Gauss kernel function SVM classification based on machine, using the geometric method of second-order training.
SVregression
- In kernel ridge regression we have seen the final solution was not sparse in the variables ® . We will now formulate a regression method that is sparse, i.e. it has the concept of support vectors that determine the solution. The thing to not
svclassify
- A method for classification of image using svm kernel
KPCA
- 核主成分分析方法，是主成分分析的一种改进算法，是一种非线性的特征提取方法。 -Kernel principal component analysis, is the principal component analysis of an improved algorithm, is a nonlinear feature extraction method.
KPCA
- 在ORL或Yale标准人脸数据库上完成模式识别任务。用PCA与基于核的PCA（KPCA）方法完成人脸图像的重构与识别试验. -Or Yale in the ORL face database, complete the standard pattern recognition tasks. With the PCA and kernel-based PCA (KPCA) method to complete the reconstruction of face image and reco
hidden-space
- 最小二乘隐空间支持向量机 王玲 薄列峰 刘芳 焦李成 ! 在隐空间中采用最小二乘损失函数$提出了 最 小 二 乘 隐 空 间 支 持 向 量 机#0*&**52H 8 同 隐 空 间 支 持 向 量机#&**52H 一样$最小二乘隐空间支持向量机不需 要 核 函 数 满 足 正 定 条 件$从 而 扩 展 了 支 持 向 量 机 核 函 数 的 选择范围 8 由于采用了最小二乘损失函数$最小二乘隐空间支持向量机产生的优 化 问 题 为 无 约 束 凸 二 次 规
HOG
- 为了准确地对监控场景中的运动目标进行语义上的分类， 提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法．利用背景减法提取运动目标前景区域， 并识别出潜在候选运动目标．利 用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征， 以较低维数的数据有效地描述运动目标的有效特征． 将提取的运动目标特征输入二叉决策树支持向量机， 实现多类目标的准确分类． 通过在不同视频序列上的实验验证， 提出的算法对运动目标进行较好地分类， 而且在运算速度方面较传
SVM-img-process
- 讲了支持向量机关于分类的方法，利用不同的核函数进行分类。-Talking about the method of support vector machine classification, using different kernel function classification
SVM
- 针对基于GPS／GIS的浮动车数据特点，总结其中无效的数据类型，并给出数据有效处理的方法。以支持向量机原理、交通状态预测方法为基础，分析了常用支持向量回归机、核函数及模型参数的性能，以及各核函数及模型参数对支持向量机性能的影响及作用。针对路段平均速度预测中的小样本、非线性、高维回归等特点，将支持向量回归机方法引入基于浮动车数据的路段车辆速度预测，构建了路段平均速度短时预测模型。并以杭州市某路段的实际数据为例，详细阐述了支持向量回归机预测模型的具体建模和求解过程。运用LibSVM2．84软件包，进
SVM-based-image-classification
- 基于SVM的图像分类，由于支持向量机的分类能力极大地依赖于核参数的选取，因此，本文着重研究了核参数选择方法，并利用不同的颜色、纹理特征对图像进行分类。 -SVM-based image classification, the classification capability of SVM kernel parameters greatly depend on the selection, therefore, this paper focuses on the kernel paramet
PPSO-SVMfaceS
- 基于PSO训练SVM的人脸识别利用支持向量机在学习能力方面表现的良好性能,结合核主元分析特征提取方法,将将其应用于人脸识别中,该方法在实验中表现了良好的识别性能,为人脸识别领域提供了一条新的识别途径 已通过测试。 -Good performance, performance in the ability to learn the use of support vector machines based on PSO training SVM face recognition combined
Support-vector-machine-
- 提出了一种支持矢量机的汉语声调识别新方法。论文首先在基频和对数能量的基础上，建立了一个适合于支 持矢量机分类的等维声调特征。然后对支持矢量机的多分类策略和不同核函数对声调识别的影响进行了实验研究。 与BP神经网络相比，支持矢量机具有更高的识别率和更强的推广能力。-This paper presents a novel support vector machine based Chinese tone recognition method．A new tone recognition
KA
- Kernel alignment is a good method for choosing the proper kernel parameters in SVM or other kernel based method.
demoBagSVM
- 一种基于半监督的svm的图像分类方法。该方法通过聚类核的方法利用无标记样本局部正则化训练核的表达式。这种方法通过图像直接学习一个自适应的核。该程序仿真的是文章：Semi-supervised Remote Sensing Image Classification with Cluster Kernels。大家可以参考下。-A semi-supervised SVM is presented for the classification of remote sensing images. The
SVM-reviewed
- 支持向量机方法中也存在着一些亟待解决的问题，主要包括：如何用支持向量机更有效的解决多类分类问题，如何解决支持向量机二次规划过程中存在的瓶颈问题、如何确定核函数以及最优的核参数以保证算法的有效性等。-Support vector machine (SVM) method also exist some problems to be solved, mainly includes: how to use support vector machine (SVM) is more effective t
SVM-KM
- SVM-KM工具箱 关于支持向量机核方法的有利工具(svm-km toolbox, a useful tool for support vector machine about kernel method.)
PSO-SVM
- 利用粒子群优化算法对支持向量机中的核函数参数和惩罚参数进行优化是非常有效的手段，可以大大提高鲁棒性。实际过程中读者可通过下载我上传的代码，简单进行修改和阅读附件论文即可快速掌握相关方面的知识，快速使用这一方法。(Particle swarm optimization (PSO) is a very effective method to optimize the kernel function parameters and penalty parameters of SVM, which can