搜索资源列表
A-sensor-network-
- ：无线多媒体传感器网络扩展了传统无线传感器网络的应用范围，延伸了人们感知世界的物理空间，其在军事、民 用、商业等诸多领域都具有十分广阔的应用前景。网络仿真技术作为传感器网络研究的基础，在这个快速发展的研究领 域逐步成为测试新网络应用与验证新协议算法的通用方法。无线多媒体传感器网络虽已成为当前研究热点，但适于其个 性特征的仿真实验工具仍然滞后。分析了无线传感器网络仿真技术，针对现有仿真实验工具的缺陷与不足，结合仿真无 线多媒体传感器网络时所遇到的新问题，提出了一种无线多媒体传感网络
CT-tracking
- 一种简单高效地基于压缩感知的跟踪算法。首先利用符合压缩感知RIP条件的随机感知矩对多尺度图像特征进行降维，然后在降维后的特征上采用简单的朴素贝叶斯分类器进行分类。该跟踪算法非常简单，但是实验结果很鲁棒，速度大概能到达40帧/秒-A simple and efficient tracking algorithm based on compressed sensing. Firstly, with the random sensing matrix compressed sensing RIP co
Julei
- 基于MFC框架实现了C均值聚类算法，感知器训练。-Based on the MFC framework implements the c-means clustering algorithm, perceptron training.
ganzhiqi
- 这份matlab程序是模式识别中有关感知器、感知准则的相关算法。-The matlab program is related to pattern recognition sensor, perceived norms related algorithms.
CT_code_matlab
- 一种简单高效地基于压缩感知的跟踪算法。首先利用符合压缩感知RIP条件的随机感知矩对多尺度图像特征进行降维，然后在降维后的特征上采用简单的朴素贝叶斯分类器进行分类-Real-time Compressive Tracking proposed by Kaihua Zhang in The Hong Kong Polytechnic University
compressiveTracking
- 压缩跟踪 是一种简单高效地基于压缩感知的跟踪算法。首先利用符合压缩感知RIP条件的随机感知矩对多尺度图像特征进行降维，然后在降维后的特征上采用简单的朴素贝叶斯分类器进行分类。该跟踪算法非常简单，但是实验结果很鲁棒，速度大概能到达40帧/秒-Compression tracking A simple and efficient tracking algorithm based on compression perception. First use of random eligible for c
DeepLearning-master
- 深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。[1] 深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。[1] 深度学习是机器
Naive-PLA
- 感知器学习算法。R语言实现版本。自己写的，给大家一个参考-perceptron learning of algorithm
code
- MATLAB神经网络原理与实例精解中第4章 单层感知器的算法-MATLAB neural network theory and examples of the fourth chapter in the single-layer perceptron algorithm
BP_ANN
- 在MATLAB中利用BP算法训练多层感知器-Trained by BP algorithm in MATLAB Multilayer Perceptron
固定增量法求分界面
- 固定增量法求分界面 (利用感知器训练算法中的固定增量法求分界面，将样本集分为两 类)，附带整个分类过程及原理(The fixed increment method calculates the interface (using the fixed increment method in the perceptron training algorithm for the interface, and divides the sample set into two Class))
libsvm-3.1-[FarutoUltimate3.1Mcode]
- 态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于