搜索资源列表
DTWspeech
- 本 文 首先 介绍了语音识别的研究和发展状况，然后循着语音识别系统的 处理过程，介绍了语音识别的各个步骤，并对每个步骤可用的几种方法在实 验基础上进行了分析对比。研究了语音信号的预处理和特征参数提取，包括 语音信号的数字化、分帧加窗、预加重滤波、端点检测及时域特征向量和变 换域特征向量.其中端点检测采用双门限法.通过实验比对特征参数的选取， 采用12阶线性预测倒谱系数作为识别参数。详细分析了特定人孤立词识别算 法，选定动态时间弯折为识别算法，并重点介绍其设计实现。 在
looms
- 留一模型选择法leave-one-out model selection，适合支持向量机分类和回归时进行参数选择。-looms uses a slightly modified BSVM to perform model selection on binary classification problems. Currently the RBF kernel is supported.
jocobirot
- 本程序是根据jacobi旋转法求实对称矩阵的全部特征值和特征向量-This procedure is based on realistic jacobi rotation symmetric matrix of all eigenvalues and eigenvectors
spgs
- 用途：利用二分法快速求解非线性方程f(x) = 0； 用向量形式（普通存储格式）的Gauss-Seidel迭代解线性方程组Ax=b；Newton迭代法解非线性方程f(x) = 0；用分量形式的SOR迭代解线性方程组Ax=b；用向量（稀疏存储）形式的Gauss-Seidel迭代解线性方程组Ax=b -Purposes: the use of dichotomy quickly solving nonlinear equations f (x) = 0 with vector form o
1
- 雅可比法计算特征向量程序雅可比过关法求实对称矩阵特征值与特征向量-Jacobian eigenvector method procedures
JocobiGG
- 本程序是根据jacobi过关法求实对称矩阵的全部特征值和特征向量-This procedure is based on realistic method jacobi clearance of all symmetric matrix eigenvalue and eigenvectors
chengxu
- 第一章 误差与范数 第二章 非线性方程（组）的数值解法 第三章 解线性方程组的直接方法第四章 解线性方程组的迭代法第五章 矩阵的特征值与特征向量的计算-Chapter norm error and the second chapter of nonlinear equations (Group) Chapter III of the numerical solution of linear equations solution methods of Chapter IV of the direc
matrix
- 第6章： 矩阵特征值计算 Chapoly 通过求矩阵特征多项式的根来求其特征值 pmethod 幂法求矩阵的主特征值及主特征向量 rpmethod 瑞利商加速幂法求对称矩阵的主特征值及主特征向量 spmethod 收缩法求矩阵全部特征值 ipmethod 收缩法求矩阵全部特征值 dimethod 位移逆幂法求矩阵离某个常数最近的特征值及其对应的特征向量 qrtz QR基本算法求矩阵全部特征值 hessqrtz 海森伯格QR算法求矩阵全部特征值 rqrtz 瑞
41695066wienerfilter2
- 内容：第4章 图像增强（对比度增强、灰度变换法、直方图修整法、图像平滑、图像锐化、伪彩色和假彩色增强）；第5章 图像复原（逆滤波复原、维纳滤波方法）；第6章 图像处理中的正交变换（傅立叶变换、离散余弦变换（DCT）、沃尔什变换、基于特征向量的变换、霍特林（Hotelling）变换、SVD变换、小波变换、Mallat算法）；第7章 图像压缩编码（霍夫曼（Huffman）编码、算术编码、游程编码（Run Length Coding）、位平面编码、预测编码、DPCM、-Content: Chapter
maseidel
- 用Gauss-Seidel迭代法解线性方程组Ax=b， A为系数矩阵，b为右端向量-Using Gauss-Seidel iteration method for solving linear equations Ax = b, A as the coefficient matrix, b is the right end of the vector
majacobi
- 用Jacobi迭代法解线性方程组Ax=b，A为系数矩阵，b为右端向量-Solution using Jacobi iterative method of linear equations Ax = b, A as the coefficient matrix, b is the right end of the vector
art
- 用于解反问题的代数重建法，对于Ax=b，输入矩阵A，列向量b，以及迭代步数k，可求的列向量x-Algebraic solution of the inverse problem for the reconstruction of France, for Ax = b, the input matrix A, the column vector b, as well as the number of iterations k, rectifiable column vector x
R_max
- 在层次分析法中，求最大特征向量。当然其他的地方也可以用，不要问我什么是最大特征向量哦。-Demand the biggest feature vector.
CH3
- 3.2 实对称三对角阵的全部特征值与特征向量的计算csstq.c 3.3 约化一般实矩阵为赫申伯格矩阵的初等相似变换法chhbg.c 3.4 求赫申伯格矩阵全部特征值的QR方法chhqr.c 3.5 求实对称矩阵特征值与特征向量的雅可比法cjcbi.c-3.2 real symmetric tridiagonal matrix of all eigenvalues and eigenvectors of the calculation of csstq.c 3.3 Reduced g
EigenvalueVectorRealSymmetryJacobiB
- 矩阵特征值与特征向量的计算，实对称阵特征值及特征向量雅可比过关法-Matrix eigenvalue and eigenvector calculations, real symmetric matrix eigenvalue and eigenvector of Jacobian clearance method
EigenvalueVectorRealTriangleQR
- 矩阵特征值与特征向量的计算，实对称三角阵全部特征值及特征向量QR法-Matrix eigenvalue and eigenvector calculations, all the characteristics of real symmetric triangular matrix value and the QR method eigenvector
work_for_pattern_recognition
- 通过设计线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征，设计支持向量机对给定样本进行有效分类并分析结果。-By designing a linear classifier minimum risk Bayes classifier supervised learning method hierarchical cluster analysis K-L transform to extract efficient features, designed to
fanmifa
- 用反幂法求解矩阵按模最小特征值及特征向量。数值分析c程序。-With the inverse power law model by solving matrix eigenvalue and eigenvector of the smallest. C numerical analysis procedures.
juzheng
- 利用冪法或反冪法，求方阵的按模最大或按模最小特征值及其对应的特征向量。 -Using a power law or inverse power law, seeking phalanx on-die maximum or minimum characteristic values according to model and the corresponding eigenvectors.
all_source_files
- 带双步的QR分解方法求所有特征值，以及反幂法求解对应特征向量-two-steps-qr-descomposure to solve all eigenvalues of a matrix. and antipower method to solve a engenvector correspongding to the eigenvalue