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,
ryitbskg
- 是信号处理的基础,基于分段非线性权重值的Pso算法,通过反复训练模板能有较高的识别率,matlab编写的元胞自动机,用于图像处理的独立分量分析,利用贝叶斯原理估计混合logit模型的参数,可以实现模式识别领域的数据的分类及回归,信号处理中的旋转不变子空间法。- Is the basis of the signal processing, Based on piecewise nonlinear weight value Pso algorithm, Through repeated traini
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