搜索资源列表
Iris
- iris标准数据集 模式识别； matlab环境-iris data
Matlab-Clusteranalysis-toolbox
- 数据聚类和模式识别MATLAB工具箱，完整的程序集-Data clustering and pattern recognition MATLAB toolbox, complete assembly
PCA
- 模式识别作业-完全自编仿真程序。先用PCA对IRIS数据集进行降维，然后用最小错误法对降维的数据进行分类。压缩包中既包括matlab源代码，又有自己写的报告，还有.MAT格式的IRIS数据集用作程序调用。程序有详细注释，很容易懂。最后结果输出到txt文件中。-Pattern recognition operations- completely self simulation program. First on the IRIS data set with PCA dimension reduct
IrisDC06
- 分类是数据挖掘 、机器学习 和模式识别 中一个重要的研究领域。分类的目的是学会一个分类模型 (称作分类器)，该模型能把未知类别的数据项映射到给定类别中。目前发展较成熟的几种分类算法 如决策树、神经网络、贝叶斯方法、遗传算法等。分类具有广泛的应用，例如医学诊断、信用卡系统的信用分级、图像模式识别等。本毕业设计通过使用鸢尾属植物(IRIS)数据集，对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较，总结出了各种算法的特性，为使用者选择算法或研究者改进算法提供了依据。-Classificatio
iris-data
- iris数据集 也即鸢尾花数据集 多用于模式识别-iris数据集 即鸢尾花数据集
Discretecosine-transform
- 脑神经网络信号的离散余弦分类。所谓分类就是一种模式识别。按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，分类后同一类的数据尽可能聚集到一起，不同数据尽量分离。而离散余弦变换是一种用来数据压缩的正交变换。所谓数据的压缩实际上就是通过丢失能量较小高频分量，保留能量较高的低频分量，从而达到压缩的目的。-Brain network signal discrete cosine classification. The so-called classification is a kind of
Fuzzy-c-means-clustering-algorithm-
- k均值算法是模式识别的聚分类问题，采用模糊C均值对数据集data聚为cluster_n类 -k-means algorithm is a pattern recognition poly classification,by using Fuzzy C-Means data sets, data gathered cluster_n class
PCA_based-Face-Recognition-System
- 模糊支持向量机做分类数据集——人脸识别,数据来源UCI，用于模式识别做分类- PCA_based Face Recognition System dataset
matlab-data-mining
- 数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目的就是得出隐藏在数据中的有价值的信息。数据挖掘是一门涉及面很广的交叉学科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。它也常被称为“知识发现”。知识发现(KDD)被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(patter，如数据分类、聚类、关联规则发现或序列模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释
KL
- 模式识别里的KL变换的代码，应用Iris数据集实现KL变换算法。-KL transform code, pattern recognition application Iris data set KL transform algorithm.
Parallel-axis
- 平行坐标轴是可视化的一种传统方法，用于模式识别聚类等，数据是‘鸢尾花数据集’，有较好的分类效果。-Parallel to the axis is a traditional way to visualize, used for clustering and pattern recognition, data is the iris data set, have better classification effect.
opencv-doc
- 图像数据操作（内存分配与释放，图像复制、设定和转换） 图像/视频的输入输出（支持文件或摄像头的输入，图像/视频文件的输出） 矩阵/向量数据操作及线性代数运算（矩阵乘积、矩阵方程求解、特征值、奇异值分解） 支持多种动态数据结构（链表、队列、数据集、树、图） 基本图像处理（去噪、边缘检测、角点检测、采样与插值、色彩变换、形态学处理、直方图、图像金字塔结构） 结构分析（连通域/分支、轮廓处理、距离转换、图像矩、模板匹配、霍夫变换、多项式逼近、曲线拟合、椭圆拟合、狄劳尼三角化）
视觉检测跟踪
- 基于视觉的目标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题, 在视频监控、虚拟现 实、人机交互、自主导航等领域, 具有重要的理论研究意义和实际应用价值. 本文对目标检测与跟踪的发展历史、研究现状以 及典型方法给出了较为全面的梳理和总结. 首先, 根据所处理的数据对象的不同, 将目标检测分为基于背景建模和基于前景建 模的方法, 并分别对背景建模与特征表达方法进行了归纳总结. 其次, 根据跟踪过程有无目标检测的参与, 将跟踪方法分为生 成式与判别式, 对基于统计的表观建