搜索资源列表
deboor-cox.rar
- 目的:运用强化学习!多分类器集成!降维方法等最新计算机技术,结合细胞病理知识,设计制作/智能化肺癌细胞病理图像诊断系统0"方法:采集细胞图像,运用基于强化学习的图像分割法将细胞区域从背景中分离出来 运用基于样条和改进2方法对重叠细胞进行分离和重构 提取40个细胞特征用于贝叶斯!支持向量机!紧邻和决策树4种分类器,集成产生肺癌细胞分类结果 建立肺癌细胞病理图库,运用基于等降维方法对细胞进行比对,给予未定型癌细胞分类"结果:/智能化肺癌细胞病理诊断系统0应用于临床随机1200例肺
algorithms
- 分类算法是统计学分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naï ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，且方法简单、分类准确率高、速度快。-The classification algorithm is the statistical classification, it is a knowledge of probability and statistics classification alg
tajeimxu
- 可以实现模式识别领域的数据的分类及回归，QZnkgyS参数是小学期课程设计的题目，多姿态，多角度，有不同光照,是学习PCA特征提取的很好的学习资料，PKdQhty条件包括主成分分析、因子分析、贝叶斯分析，本程序的性能已经达到较高水平。- You can achieve data classification and regression pattern recognition, QZnkgyS parameter Is the topic of the elementary school st
mphysnpw
- 含噪脉冲信号进行相关检测,Relief计算分类权重，包括主成分分析、因子分析、贝叶斯分析，考虑雨衰 阴影 和多径影响，本程序的性能已经达到较高水平，时间序列数据分析中的梅林变换工具。- Noisy pulse correlation detection signal, Relief computing classification weight, Including principal component analysis, factor analysis, Bayesian analysis,
SVM
- 支持向量机分类程序，使用高斯核函数，SMO顺序最优化算法，为学习SVM提供参考-SVM program, using a Gaussian kernel, SMO sequence optimization algorithm to provide a reference for learning SVM
CHENGXU5
- 神经网络SVM实现分类，采用高斯核，标准差经过试验，最终定在0.81。训练和测试样本在1到1000之间间隔取点，训练样本取奇数，测试样本取偶数，没有噪声-SVM neural network to realize classification, USES the gaussian kernel, the standard deviation after test, final set at 0.81.Training and testing samples in the interval bet
GP
- 基于贝叶斯理论的高斯过程代码，包含高斯过程回归分析，以及相关噪声处理和高斯过程分类，提供数据进行测试，-Gauss procedure code based on Bayesian theory, including Gaussian process regression analysis, and related processing and noise Gaussian process classification, to provide data for testing, etc.
Softmax
- 一个小demo,用softmax实现数据分类，数据有4类，均服从高斯分布-A small demo, a classifier with softmax softmax is implemented to classify 4 classes of datas which are generated by gaussian distribution
Classifier-based-Softmax
- 一个小demo,用softmax实现数据分类，数据有4类，均服从高斯分布-A little demo, a classifier with softmax softmax is implemented to classify 4 classes of datas which are generated by gaussian distribution
SVM
- 机器学习中SVM(支持向量机)源码,对比不同高斯核函数和不同惩罚因子对支持向量机分类的结果的影响。-SVM source code of machine learning
GaussianKernel
- 高斯核函数 的非线性分类器 性能还可以-The Gaussian kernel function of the nonlinear classifier can also be
FullBNT-1.0.4
- 创建你的第一个贝叶斯网络 手工创建一个模型 从一个文件加载一个模型 使用 GUI 创建一个模型 推断 处理边缘分布 处理联合分布 虚拟证据 最或然率解释 条件概率分布 列表（多项式）节点 Noisy-or 节点 其它（噪音）确定性节点 Softmax（多项式 分对数）节点 神经网络节点 根节点 高斯节点 广义线性模型节点 分类 / 回归树节点 其它连续分布 CPD 类型摘要 模型举例 高斯混合模型 PCA、ICA等 专家系统的混合 专家系统的分等级混合 QMR 条件高斯模型 其它混合模型 参数学
work
- 1) 以身高为例，画出男女生身高的直方图并做对比； 2) 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3) 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4) 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(1) taking height as an example, draw the histogram of male and f
pattern recognize1
- 1. 以身高为例，画出男女生身高的直方图并做对比； 2. 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3. 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4. 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(The program is used for classification of men and women in pa
2
- 通过随机产生高斯分布数据，来对数据进行分类。(The data are classified by random generation of gaussian distribution data.)
2016-10-19 gpml-matlab-v4.0
- 高斯过程回归，分类，工具箱；Gaussian Processes ； Machine LearningToolbox.(Gaussian Processes ;Machine Learning (GPML) Toolbox.)
EM Algorithm
- 通过使用EM算法来实现混合高斯的分类,有比较好的效果，很直观的可以展示，对于初学者很有帮助(Through the use of EM algorithm to achieve the classification of mixed Gaussian, have better results, very intuitive to display, helpful for beginners)
multigp-master
- 高斯过程多输出，有很多的例子。包括回归、分类等(GPR multiple output)
carplate
- 首先对车牌识别系统的现状和已有的技术进行深入的研究，然后开发出一个基于 Python 的车牌识别系统，文中先对车辆图像进行高斯去噪、灰度化和边缘检测等预处理方法，然后用颜色特征和形态特征相结合的方法来确定车牌位置，用彩色分割法来完成车牌分割，最后，运用 SVM 分类训练器完成字符识别并使用Python 软件环境进行车牌识别的仿真实验。(License plate recognition based on SVM)
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