搜索资源列表
GetImageCodeWords
- 特征向量 主要在MATLAB下实现.用于图像的PCA之前的准备工作，最后实现图像的主观检索。
BP
- BP算法 给定一个由N维向量X组成的集合，这些向量将是一个响应agent的感知处理单元计算出的特征向量。这些分量的值可以是数值，也可以是布尔值。这些动作也许是学习者所观察到的一个教师对一组输入的响应。这些相关的动作有时称为向量的“标号”或“类别”。集合与响应的标号组成“训练集合(training set)”.机器学习问题就是寻找一个函数。
jacobi
- 雅可比迭代（过关法）计算实对称矩阵的特征值和特征向量
texture
- 实现用matlab求矩阵最大特征值的特征向量
FreTrans
- 图像傅立叶变换，离散余弦变换，沃而什变换，基于特征向量的变换，小波变换
texture
- 为进一步进行纹理特征分析，从纹理的方向性人手，给出了纹理方向的数学定义式，合理选择差异函数， 构造了具有物理意义的纹理方向描述特征向量．数据处理方面，运用模糊贴近度的概念，结合改进后的属性均值聚 类算法，对一类具有方向性的纹理图象进行分类与分割实验，取得了较好的结果．试验表明，该方法对纹理的方向 性有很好的描述能力． 关键词 图象分割 纹理方向 纹理分割 神经网络 模糊聚类
calcPCA
- opencv 中用calcPCA 计算矩阵特征向量和特征值
1
- 基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向，其中道路图象的正确分割 是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题，提 出了一种基于’() 神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量，应用基于 ’() 学习算法的神经网络分类器进行道路与非道路识别；为解决环境噪声对神经网络输出的影响，本文设计了串行级联 式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实
matlab
- 如何利用MATLAB求最小特征值和特征向量,并将特征向量归一化
Keywords
- 能够处理多个文件的最长公共子串，可以作为其他程序的特征向量。
Eigenvalue
- 这是用C编的计算大矩阵特征值和特征向量的程序。 提供了雅可比法和豪斯荷尔德-QR法两种方法计算矩阵特征值，可实现求取矩阵的特征值，所有结果必须到相应文件夹下（必须同时存放矩阵文件和程序）查看，特征值已经按从小到大的顺序排好。
pangzi
- (1)将整幅图像分成4×4块，计算每一块中所有象素RGB三个颜色通道的颜色平均值，并以此作为该块的代表颜色（主颜色）。 (2)将各块的颜色平均值进行离散余弦变换（DCT），得到DCT系数矩阵。DCT是一种分离的变换，是国际静止图像压缩标准JPEG的基础。由于大多数图像的高频分量较小，相应于图像高频分量的系数经常为零，加上人眼对高频成分的失真不太敏感，所以可用更粗的量化。因此，在一般检索中可以利用部分DCT系数作为特征向量。 (3)对DCT系数矩阵进行之字形扫描和量化，得到DCT系数。
sss
- 手写数字识别,提取数字骨架,划直线和该骨架相交,取交点数和数字端点为特征向量.建立特征库进行匹配
反幂法
- 使用反冥法算特征值和特征向量的算法。-use of anti-counting method offerings eigenvalues and eigenvectors of the algorithm.
fmf
- 反幂法求矩阵的特征值和特征向量 反幂法适用于矩阵的按模最小的特征值和对应的特征向量。 使用说明： 一般的使用过程： 1、修改输入数据 input2.txt 2、编辑源文件 fanmifa.c 3、编译程序 fanmifa.bat 4、运行 fanmifa.exe
Extractionofthemaincomponents
- Matlab提取主分量矩阵。程序设计步骤： 1、去均值 2、计算协方差矩阵及其特征值和特征向量 3、计算协方差矩阵的特征值大于阈值的个数 4、降序排列特征值 5、去掉较小的特征值 6、去掉较大的特征值(一般没有这一步） 7、合并选择的特征值 8、选择相应的特征值和特征向量 9、计算白化矩阵 10、提取主分量
GCluser
- 分级聚类算法：包括k-mean max-dist min-dist 程序使用方法： 程序中打开文件“.dat”-》选择聚类方法-》显示数据 .dat文件格式： 分成几类 输入样本维数 样本个数 下面依次为样本特征向量
strq
- 用C语言编写的关于矩阵特征值和特征向量的计算，很实用（对于做数值运算的同志挺有帮助）
jac
- 雅克比方法求矩阵的特征值和特征向量，matlab文件，已经调试成功了
pcacode
- 程序设计步骤： 1、去均值 2、计算协方差矩阵及其特征值和特征向量 3、计算协方差矩阵的特征值大于阈值的个数 4、降序排列特征值 5、去掉较小的特征值 6、去掉较大的特征值(一般没有这一步） 7、合并选择的特征值 8、选择相应的特征值和特征向量 9、计算白化矩阵 10、提取主分量