搜索资源列表
Matlabalgorithmlibrary
- MATLAB算法库，包含K均值聚类-分类模型，logistics回归-用于决策，非线性拟合，回归分析模型，支持向量机SVM-用于分类决策，主成分分析PCA-用于决策，TXT格式，适用于数学建模-MATLAB algorithm library, including K-means clustering- classification model, logistics regression- for decision making, nonlinear fitting, regression an
MAERJIANCE
- 场景图像中文本占据的范围一般都较小，图像中存在着大范围的非文本区域。因此，场景图像文本定位作为一个独立步骤越来越受到重视。这包括从最先的CD和杂志封面文本定位到智能交通系统中的车牌定位、视频中的字幕提取，再到限制条件少，复杂背景下的场景文本定位。与此同时文本定位算法的鲁棒性越来越高，适用的范围也越来越广泛。文本定位的方式一般可以分为三种，基于连通域的、基于学习的和两者结合的方式。基于连通域的流程一般是首先提取候选文本区域，然后采用先验信息滤除部分非文本区域，最后根据候选文本字符间的关系构造文本
SVM-yindao
- 使用Opencv C++中的支持向量机进行引导，对其进行分类并预测。-Opencv C++ using the support vector machine to guide the classification and prediction.
LSSVMlabv1_8_R2009b_R2011a
- 数据图像的分类，支持向量机,适合非线性数据的分类识别。-Data classification, support vector machine Suitable for classification and recognition of nonlinear data
LSSVMlabv1_8_R2009b_R2011a
- 最小二乘支持向量机工具包,可以应用于回归和分类，也可进行预测-LSSVM Kit
MNIST_classify
- 使用决策树，支持向量机以及人工神经网络完成对MNIST手写数字体的分类。-Using a decision tree, support vector machines and artificial neural network to classify the number of MNIST handwritten font.
object_classfication_end
- SVM支持向量机的分类算法，完整的工程文件包，需要测试数据集以及VS2010以上版本-SVM classification
two
- ：植物种类识别方法主要是根据叶片低维特征进行自动化鉴定。然而，低维特征不能全面描述叶片信息，识别准确率低，本文提 出一种基于多特征降维的植物叶片识别方法。首先通过数字图像处理技术对植物叶片彩色样本图像进行预处理，获得去除颜色、虫洞、 叶柄和背景的叶片二值图像、灰度图像和纹理图像。然后对二值图像提取几何特征和结构特征，对灰度图像提取 Hu不变矩特征、灰 度共生矩阵特征、局部二值模式特征和 Gabor 特征，对纹理图像提取分形维数，共得到 2183 维特征参数。再采用主成分分析与线性 评判分析相
sklearnExample
- SVM，支持向量机，可以实现分类。svm,svm-support vector machine
SVM_lusifa
- 用于求解支持向量机的二分类问题，对于现实问题进行预测分类-For solving SVM binary classification problem, for reality to predict classification
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
svm
- 基于matlab的SVM支持向量机数据分类预测模型-SVM prediction data classification
SVM-and-NB
- 支持向量机与朴素贝叶斯算法，对数据进行分类后深度了解数据的结构-Support vector machine and naive Bayes algorithm.Classifying the data and understanding the structure of the data in depth
ocsvm---VS-svdd
- 支持向量机遥感图像分类代码，内含C、matlab代码，参考文献供学习-Support vector machine remote sensing image classification code
bsvm-2.08
- BSVM解决了支持向量机（SVM），用于解决大型分类和回归问题。 它包括以下方法 一个对一个使用约束约束公式的多类分类 通过解决单一优化问题（再次，有界公式）进行多类分类。 参见我们比较文件的第3节。 使用Crammer和Singer的配方进行多级分类。 参见我们的比较文章第4节。 使用约束约束公式的回归-BSVM solves support vector machines (SVM) for the solution of large classification and r
supportvectormachine
- 一个支持向量机的库，运算速度,使用很方便,可以对数据做分类或回归- U4E00 u4E2A u652F u6301 u5411 u993 u03F0 u7R0 U505A u5206 u7C7B u6216 u56DE u5F52
PSO-SVM
- 用粒子群算法PSO,优化支持向量机SVM，提高故障分类精度。-Using particle swarm optimization (PSO, optimization of support vector machine SVM, improve the fault classification accuracy.
PSO--svm
- 用简单粒子群算法PSO优化支持向量机SVM，提高故障分类精度。-Using particle swarm optimization (PSO, optimization of support vector machine SVM, improve the fault classification accuracy.
AFSA-SVM
- 人工鱼群算法AFSA优化支持向量机SVM,提高故障分类精度。-Artificial fish algorithm AFSA optimization support vector machine SVM, improve the fault classification accuracy.
svm--classification
- 基于支持向量机的图像分类，含有各种图像分类实例，以及最小二乘支持向量机优化算法-Image classification based on support vector machine, including various image classification examples, and least squares support vector machine optimization algorithm