搜索资源列表
GMM-EM
- 用matlab实现高斯混合模型的前期处理和分类训练！
DESIGN_AND_IMPLEMENT_A_SYSTEM_oF_GRASP_IDENTIFICAT
- 机器人灵巧手的抓持分类是抓持规划的一个主要问题．本文应用模式识别技术设计和实现了一种基于高斯混合模型GMM 的分类器．采用Expectation Maximization(EM)算法估计GMM 的参数，对人手的抓持动作进行识别与分类，经过人手到机器人手的关节空间运动映射。
KNearestclass
- 使用K近邻算法对一个2维德样本集进行分类，样本集的分布为混合高斯分布。
sasdw.rar
- 现有数字信号自动调制识别方法大多只适用于无记忆信号，如PSK、ASK、FSK信号等。将有记忆 信号(MSK信号)和无记忆信号一起考虑，提出了一种改进的数字信号自动识别方法。该方法采用信号的瞬时统 计量作为特征参数，采用多层神经网络作为分类器。计算机仿真表明：当噪声采用高斯白噪声，并且信噪比大于 l5 dB时，识别率高于96％ ；当信噪比不低于l0 dB时，识别率不低于90％。,Existing digital signal automatic modulation recognition
gpml.rar
- 高斯过程在回归和分类问题中的应用，注释详细,Gaussian process regression and classification problems in the application, comments, details
IRLS
- 实现了机器学习中的logistic regression 算法，可以对三类高斯分布的采样进行分类-Achieved in the logistic regression machine learning algorithm, can be three types of Gaussian distribution of samples to classify
bayes_classifier
- 贝叶斯分类器，模式识别，贝叶斯规则用于C个类，高斯函数建模-Bayesian classifier, pattern recognition, Bayesian rules for C-class, the Gaussian function modeling
textureclassfication
- 提出了一种基于函数联接的感知器神经网络的纹理分类方法.它采用高斯2马尔柯夫随机场模型(GM RF)对纹理进行描述,模型参数即为纹理特征,参数估计采用最小平方误差方法获得.将估计参数作为表达纹理的特征向量,用感知器网络对特征进行分类,并且采用函数联接的方式解决线性不可分问题.对纹理图象进行的实验表明,采用这种方法能够提高学习速度,简化计算过程,并取得较好的纹理分类效果. -Based on the function connected perceptron neural network tex
depthimage
- 生成一个圆球的深度图像，并计算其高斯曲率和平均曲率，以及对曲率进行分类-Generate a sphere of the depth of the image, and calculate the Gaussian curvature and mean curvature, as well as the classification of the curvature
image_denoise
- 首先介绍了图像中噪声的产生及与图像信号相关的噪声的分类，然后分别讨论了用于图象平滑去噪的空间域平滑处理：高斯滤波，超值像素滤波、中值滤波，和频率域平滑处理：理想低通滤波和Butterworth低通滤波处理。继而介绍了各种处理方法的程序实现，并对各种方法的去噪性能进行了比较。-this program introduce the generation ofimage noise and associated noise classification with the image signal ,
svm_smo
- 支持向量机分类算法，将高斯函数与序列最小优化算法结合实现。-support vector machine smo
3DFaceRecognitionBasedon3DLBPandKernelDiscriminant
- 二维照片的人脸识别对光照、姿态和化妆等因素很敏感，故提出了一种将三维局部二值模式(3DLBP)和核享，1剐分析(KDA)相结合的三维人脸识剐方法．采用3DLBP描述人脸深度图像的特征，高斯核函数KDA 作为分类器，使用Chi平方统计改进高斯核函数、采用FRGC v2．0中2003春季采集的三维人脸库进行实验．实验结果表明，该 方法在每人2个训练样本时，识别率为91．8％，而PCA和3DLBP的识别率分别为60．4％和78．3％；当每人的训练样本数增至6个时，识别率为98．4％，而PCA和3D
NBClassify
- 人工智能。基于朴素贝叶斯的文本分类器，测试正确率较高。-Artificial intelligence. Naive Bayes text classification based on, test accuracy is higher.
Ex1
- 模式识别某次课程的作业，完成了高斯分布下的两种贝叶斯分类器,以及非参数的K近邻、Parzen窗方法，采用UCI机器学习数据库中的某些数据作为样本，使用交叉验证方法确定参数-Pattern recognition of a particular course work, completed under the two Gaussian Bayesian classifier, and the non-parametric K-nearest neighbor, Parzen window meth
3
- 模式识别，主要是对两维多类的高斯随机序列进行分类-PR_studio
HW1
- HOMEWORK,采用神经网络的方法来分类二维独立高斯分布.-determine the classification rate for the training set and the test set
Identification-for-OFDM
- 一种新的OFDM信号盲识别算法，利用多载波OFDM信号在时域上的近高斯性，提取信号特征参数Q作为分类特征-A new algorithm for the identification of Orthogonal Frequency Division Multiplexing(OFDM)signal is proposed．The feature parameter a is used to discriminate OFDM signal because of their asymptot
Gaussian-Process-Classification.tar
- 高斯过程在分类中的应用。本程序采用拉普拉斯逼近基于高斯过程的贝叶斯分类。-Gaussian process in the Classification. This procedure uses the Laplace approximation of Gaussian processes based on Bayesian classification.
k_means
- 实现K-means算法，高斯随机分布抽取数据 利用k-means算法实现分类-Implement K-means algorithm to extract the data using Gaussian random distribution of k-means classification algorithm
duo-chong-xinhao
- 多重信号分类算法（music）在测定信号来向的应用。程序中设定干扰信号和高斯白噪声。-Multiple signal classification algorithm (music) in the measured signal to the application. Procedures set interference signal and Gaussian white noise.