搜索资源列表
ELM分类
- 内含两个数据集---iris_data和classsim，分别为艾瑞斯花和红酒的分类训练数据。分别用这两个数据集对极限学习机（ELM）进行训练，并测试ELM的分类效果。(It contains two data sets, iris_data and classsim, which are classified training data of Iris Flower and Red Wine respectively. The two data sets are used to train t
BCI_MI_CSP_DNN
- BCI_MI_CSP_DNN是一种基于matlab的运动图像脑电信号分类程序。 基于matlab深度学习工具箱编写了BCI_MI_CSP_DNN程序 本程序的原理基于CSP和DNN算法 这个程序的性能是基于BCI竞赛II数据集II 提出了一种基于深度学习的运动图像脑电信号分类方法。在预处理原始脑电图信号的基础上，采用共空间模型(CSP)方法提取脑电图特征矩阵，并将其输入深度神经网络(DNN)进行训练和分类。我们的工作在BCI Competition II Dataset III上进行了实
cnn人脸识别
- 使用CNN实现人脸识别，包括训练数据集与测试数据集(Face recognition using CNN, including training data set and test data set)
matlab代码
- Matlab代码，根据算法原理自己编写的基本算法的代码，有：KNN，层次聚类，C均值，最邻近算法。包括自己挑选的数据集，对算法准确率的测试。(Matlab code, the code of the basic algorithm written by itself according to the algorithm principle, there are: KNN, hierarchical clustering, C-means, nearest neighbor algorithm.
ELM
- 极限学习机（ELM）的MATLAB完整实现程序，有完整注释并已测试通过，资源中包含了测试脚本和数据集，算法的原理和实现(The matlab implementation program of elm has a complete annotation and passed the test. The resource contains the test scr ipt and data set. The principle and implementation of the algorithm
2008BCI Data set IV数据
- 第四届国际BCI大赛Datasets 2b数据集的前三位受试者数据，每位受试者包含两组无反馈的数据，三组有反馈的数据；前三组训练数据，后两组测试数据.
股票预测
- 采用三层BP神经网络结构，输入层神经元数为5，隐含层神经元数为3，输出层神经元数为1，使用MATLAB编写。 将所给数据按14：1分为训练样本集，和测试样本集，经测试及分析，预测误差为0.1700，误差较小。 网络训练好后，输入前一天的6组数据，即：最高价、最低价、开盘价、收盘价、成交量，就能自动预测出后一天的收盘价。(The structure of three-layer BP neural network is adopted. The number of neurons in the i
KNN
- 高光谱图像knn分类算法，在PaviaU和Indianpines数据集上测试(Knn classification algorithm for hyperspectral images, tested on PaviaU and Indianpines datasets)
Text-Matching-master
- 在LCQMC数据集上的=测试几种常见的语义匹配模型(Text matching models on LCQMC datasets)
data_batch_2
- cifar-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但一些训练批次可能包含来自一个类别的图像比另一个更多。总体来说，五个训练集之和包含来自每个类的正好5000张图像。 具体：batch2.mat文件，该训练集可以用于图片识别，非负矩阵分解等。(The ci
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate
L4_1
- a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上和分别属于+1类和-1类，请在上述数据集的两类中各随机抽取150个样本作为训练集，运用Logistic regression算法得到的分类面，然后对余下的各5
Matlab 优化求解之蝙蝠算法
- 蝙蝠算法合集，包括几个测试函数，适合新手学习(The bat algorithm collection, including several test functions, suitable for beginners to learn)
UNSW_NB15_RNN
- 用UNSW数据集进行入侵检测，运用各种组合模型，精确度能达到90%以上，运用比较流行的神经网络模型分别进行了测试(Intrusion detection using UNSW dataset)
基于深度学习的手写数字体识别
- 基于深度学习的手写数字体识别，以卷积神经网络（CNN）作为网络模型，利用mnist手写数字训练数据集训练手写数字识别模型，搭建手写数字识别系统，并用自己手写的数字照片进行测试。