CDN加速镜像 | 设为首页 | 加入收藏夹
当前位置: 首页 资源下载 文档资料 软件工程 搜索资源 - 训练集

搜索资源列表

  1. adapterSystemPaper

    0下载:
  2. 论文标题:自适应模糊系统在手写体数字识别中的应用研究 作者:张镭 作者专业:计算机软件人工智能 导师姓名:黄战 授予学位:硕士 授予单位:暨南大学 授予学位时间:19990501 论文页数:59页 文摘语种:中文文摘 分类号:TP18 TP391.4 关键词:手写体数字 自适应 模糊逻辑 神经网络 模式识别 摘要:该文针对模式识别的特点,构造了适合于模式识别问题的自适应模糊系统,对三种不同学习算法加以改进,在手写全数字识别上对分类器进行了实现,
  3. 所属分类:软件工程

    • 发布日期:2008-10-13
    • 文件大小:4194405
    • 提供者:成东
  1. report

    0下载:
  2. 本文采用最小平方误差准则(MSE准则)通过训练样本集建立线性判别函数,并用线性判别函数去判断测试集。 实验报告-In this paper, the least square error criterion (MSE criterion) the training sample set by a linear discriminant function, and a linear discriminant function to determine the test set. Expe
  3. 所属分类:software engineering

    • 发布日期:2017-04-01
    • 文件大小:268352
    • 提供者:李碧聪
  1. RoughSetAndSVM

    0下载:
  2. 本文提出一种综合粗糙集与支持向量机的 Web 文本分类模型,利用粗糙集的属性约简方法,减少支持向量机训练数据的维数,提高 Web 文本分类的性能与效率.-This article advances a Web text classification model which synthesis rough set and support vector machine. Using the rough set’s attribute reduction method to reduce the di
  3. 所属分类:software engineering

    • 发布日期:2017-05-01
    • 文件大小:803661
    • 提供者:叶眸
  1. kddcup.data_10_percent

    0下载:
  2. 这是KDD99数据训练集的10 的数据内容。可以用于数据挖掘的原始数据。-kddcup.data 10 percent
  3. 所属分类:Software Testing

    • 发布日期:2017-05-10
    • 文件大小:2145702
    • 提供者:Hapen
  1. ASM-2.2.1

    0下载:
  2. 对模型特征点周围的纹理信息进行采样,对比图像和模型训练集的纹理,找到纹理最接近的点即认为是特征点。作者这里比较纹理的工具是马氏距离。为了提高搜索的效率,作者还提到了多分辨率搜索周围像素纹理,对于粗糙的尺度,搜索范围大,对于细致的尺度,进行细致的搜索,提高了匹配的效率。-The texture information model feature points around the sampling, texture contrast image and model train sets, find
  3. 所属分类:software engineering

    • 发布日期:2017-04-17
    • 文件大小:184248
    • 提供者:李猛
  1. melppaper6

    0下载:
  2. 为了提高深度模型的编码重构性能,本文为传统对比散度(Contrastive divergence,CD)添加了基于交叉熵的重构误差约束。利用改进后的算法训练了重构性深度自编码机(Reconstructive deep au-to-encoder,RDAE),并用 RDAE 替换混合激励线性预测编码(Mixed excitation linear prediction, MELP)语音编码器中 LSF 参数的矢量量化方法。测试结果表明,改进后的算法在损失一定模型似然度的条件下获得了重构性能的提升,
  3. 所属分类:Project Design

    • 发布日期:2017-05-07
    • 文件大小:1485233
    • 提供者:梦转
搜珍网 www.dssz.com