搜索资源列表
10.1.1.74.2668
- 评估高斯过程二元分类的近似推理-Assessing Approximate Inference for Binary Gaussian Process Classifi cation
bayes_classifier_guassin-
- 贝叶斯分类器,首先生成3000个高斯分布的点,1000个点做训练集,2000个点做测试集。先运行data_generator.m自动生成两个集盒,再运行bayes_classifier.m进行分类-Bayesian classifier, the first generation 3000 Gaussian distribution of points, 1000 points to do the training set, 2000 points to do the test set. Aut
GPCsoft
- 高斯过程分类程序,运用拉普拉斯近似来实现二分类和多分类功能。-Implements Laplace s approximation for binary and multiclass classification.
moshishibie
- 模式识别 二维高斯随机数 fisher线性分类器-Two-dimensional Gaussian random number pattern recognition fisher linear classifier
bayes
- 贝叶斯的分类 并用到高斯混合模型当中有很好的分类效果-bayes
Comparison-of-Bayesian-and-fisher
- 训练错误率和交叉验证错误率相等,在样本比较大时,这个结果是可以预期的;训练错误率一般低于测试错误率,但是当样本数据比较少时,实验也出现了意外,样本多的那组测试错误率比样本少的训练错误率还要小;在本实验中,同组数据的交叉验证错误率比独立测试错误率高,这个反常现象是因为样本的原因所致,交叉验证的样本小,而独立测试时所用训练样本数目大,因而出现这种情况。分类线上,fisher准则是一条直线,而贝叶斯分类器实际上是一个类似椭圆的封闭曲线;很明显,贝叶斯分类器比fisher分类器要好。-Training
The-detection-of-traffic-lights
- 交通信号灯的检测是复杂场景下交通灯识别的重点。采用了色彩分割与关联滤波方案进行交通灯的检测。首先,建立交通信号灯的高斯模型,利用高斯向量与多色彩空间结合的方法进行图像分割。然后,采用基于区域增长与相似性判定的关联滤波,对色彩分割后的图像进行处理。最后,使用基于canny算子的边缘提取算法获取方向指示灯轮廓特征,并使用基于改进hu不变矩和马氏距离对方向指示信号灯进行分类。-The detection of traffic lights is the focus of traffic lights
emgm
- EM算法用于高斯混合模型,实现数据的精确分类-The EM algorithm for Gaussian mixture model, the exact classification of the data
DataMining3rd
- 评测数据在去掉停用词的 分类过程开放测试中,引入Good-Turing算法的分类性能比Laplace原则提高了3·05 ,比Lidstone方法提高 1·00 .而在交叉熵选择特征词的算法中,增加Good-Turing的贝叶斯分类方法可比最大熵分类性能高95 .通过这种数据平滑的算法,有助于克服因数据稀疏而引发的特征词缺失问题 -Evaluation data in the open test of the classification process to remove stop
dpmm
- Dirichlet 基于高斯混合的无穷维分类器-dirichlet mixture of model
classifer
- 二分类问题采用包括逻辑回归、最小二乘法、感知器算法(按下space不断迭代)、svm线性分类,另外还有高斯分线性分类(待完善),针对平面上两类点进行分类-Second classification using logistic regression, the method of least squares, perception algorithm (Press space iteratively) svm linear classification, in addition to the Ga
non-Gaussian-noise-Identification
- 该文提出一种基于广义分数阶傅里叶变换和分数低阶Wigner-Ville 分布的数字调制识别新方法,该方法提取广义分数阶傅里叶变换的零 中心归一化瞬时幅度谱密度的最大值和分数低阶Wigner-Ville 分布幅度的最大值作为识别特征参数,并采用判决树分类器,实现了非高斯噪声下数字调制信号识别。-This paper presents a generalized fractional Fourier transform and fractional lower order Wigner-Vill
fruit-recognition
- 水果分类 fruit recognition 运行demo即可 这个程序主要是通过对训练样本中的三幅图像提取的颜色信息建立混合高斯模型,然后对目标图像进行测试。 在demo最后一段中,可以替换‘t1.jpg’,以便进行不同图片的识别。 程序运行过程比较慢,请耐心等待。 运行结果是蓝色点聚集的区域是属于橘子的。- fruit recognition
gda
- gda 基于高斯判别分析的高光谱地物分类 属于机器学习范畴-the gda hyperspectral terrain classification based on Gaussian discriminant analysis is a machine learning areas
Hw_7_moshishibie
- • 有可用高斯分布近似的两个样本集 • 求:用最小错误概率分类时的识别界面 • 令 • 如距离取最远距离 试用分层聚类法聚类,并作图 -• Gaussian approximation is available both sample sets • Requirements: classification with minimum error probability of recognitio
5
- 了适应跟踪过程中目标光照条件的变化,并对目标特征进行在线更新,提出一种将局部二元模式(LBP) 特征与图像灰度信息相融合,同时结合增量线性判别分析对目标进行跟踪的算法.跟踪开始前,为了获得比较准确的目标描述,使用混合高斯模型和期望最大化算法对目标进行分割;跟踪过程中,通过蒙特卡罗方法对目标区域和背景区域进行采样,并更新特征空间参数.得到目标和背景的最优分类面;最后使用粒子滤波器结合最优分类面对目标状态进行预测.通过光照变化的仿真视频和自然场景视频的跟踪实验,验证了文中算法的有效性.-Trac
gpml-matlab-v3.2-2013-01-15
- 这是关于高斯过程国外人写的经典程序,可用于预测、分类等。-This is a Gaussian process abroad written about the classic procedure, can be used for prediction and classification.
Q1
- 2类分类高斯模型 每个类是由一个单一的多元高斯分布的3-D建模 显示如何估计高斯均值向量和协方差矩阵的最大似然(ML)估计的基础上为每个类。 meanA和meanB代表每个类的均值,varA和varB的的代表每个类的协方差矩阵.-2-class classifier with Gaussian Models Each class is modelled by a single 3-D multivariate Gaussian distribution Show
GMM_EM
- 2类分类高斯混合模型 使用k-means的方法来初始化GMM, 基于EM算法计算出GMM模型参量。 测试GMM模型分别有2个,4个,8个混合成分-2-class classifier with Gaussian Mixture Models. Use the k-means method to initialize the GMM’s Then improve the GMM models iteratively based on the EM algo-rithm.
MCE_classifier
- 两类数据分类器,基于简单高斯模型,并依据MCE最小分类错误率准则进行迭代参数估计后,在对测试数据进行分类-Two types of data classification, based on a simple Gaussian model, and based on the minimum classification error rate criterion MCE iterative parameter estimation after the test data classificatio