搜索资源列表
ANewMethodofFusionofICAandLDAforFaceRecognition.ra
- 特征提取是模式识别研究领域的一个热点.本文提出了一种基于独立成分分析和线性鉴别分析的特征提取方法.谊方法中引入了零空间的概念,指出了前人算法中的不足之,并且给出了一个完整的独立成分分析和线性鉴别分析的组合算法.在ORL和Yale人脸数据库上的实验表明了该方法的有效性.-Feature extraction is a hot field of pattern recognition research. In this paper, which is based on independent com
mode
- 基于VC的各种聚类和分类算法程序。 手写数字或者打开已有的手写数字图像后，在右视图空白处，单击鼠标左键，激活右视图，选择菜单中的各种分类算法，可以对手写数字进行分类。有模板匹配分类器、Bayes分类器、线性函数分类法、非线性分类法、神经网络分类器。 在左视图上单击鼠标左键，可获得3种数据源：标准数字聚类、手画图形聚类、位图文件分析聚类。可以进行特征提取、模糊聚类和遗传算法。-VC-based clustering and classification algorithm for a
AComparativeStudyonFaceRecognitionUsingLDA-BasedAl
- 线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别 会遇到维数问题和“小样本”问题。人们经过研究，通过多种途径解决了这两个问题并实现了基于I,DA的人脸识 别 文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持，这些方法包括Eigenfaces、Fish— erfaceS、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。-Low—dimensional feature representat
featurereductionmethods
- 这是一些收集到的线性和非线性的特征提取的算法，挺多也挺好的-these algorithms are very useful for feature reduction
icA-TUTORIAL
- 独立成分分析（ICA）是最近开发的方法，它的目标是找到一种nongaussian等数据的线性表示 该元件是统计独立的或尽可能独立。应用包括信号特征提取与分离数据的基本结构。 在本文中，我们提出的基本理论和ICA的应用，以及我们对这个问题的近期工作。-Independent component analysis (ICA) is a recently developed method in which the goal is to find a linear representatio
pca-matlab
- PCA又为主成分分析，是一种特征提取方法， 它通过线性变换寻找一组最优的单位正交向量基，用他们的线性组合来重构原样本-PCA and the main component analysis, a feature extraction method, which by finding a set of optimal linear transformation unit orthogonal base vectors, with their linear combination to recons
EEG-based-identification-method
- ：基于脑电信号的身份识别是通过采集试验者的脑部信号来进行身份认证。对于同一个外部刺激或者主体在思考同一个 事件的时候，不同人的大脑所产生的认知脑电信号不同。选取与运动意识想象有关的电极后，分析不同个体在特定状况下脑 电的个体差异，采用以回归系数、能量谱密度、相同步、线性复杂度多种信号处理结合方法对运动想象脑电信号进行处理来 进行特征提取。组合多元特征向量并运用多层BP 神经网络对不同个体的脑电信号进行分类，并在不同的意识想象及不同数 据长度、不同的波段对试验者进行识别率验证分析。
Tamura
- tamura纹理特征提取分程序，包括粗糙度、对比度、方向、线性、规整度。-Tamura texture feature extraction sub-procedures, including roughness, contrast, orientation, linear regularity.
Pattern-Recognition_MATLAB_1
- 线性分类器设计，1_k近邻法，剪辑法，ANN-BP神经网络法，聚类分析法，特征选择，特征提取等模式识别常用算法，内有matlab可运行实现，还有word文档的说明。对于学习，是做好的资料。-Commonly used algorithm for linear classifier design the 1_k nearest neighbor, clip, ANN-BP neural network method, cluster analysis, feature selection, fea
基于核函数主元分析的机械故障诊断方法
- 提出基于核函数主元分析的机械故障诊断方法, 它保留主元分析的优点并具有处理非线性的能力。该方法通过核函数映射将非线性问题转换成高维的线性特征空间, 然后对高维空间中的映射数据作主元分析,提取其非线性特征, 对机械故障模式进行识别。并与主元分析方法进行对比分析, 实验结果表明核函数主元分析法非常有效。-Proposed mechanical fault diagnosis method based on Kernel Principal Component Analysis, it retains
LDA
- 人脸特征提取的线性差别分析法LDA，可以提高样本在子空间中的可分性-algorithm of LDA of face detection by matlab
top-hat
- 基于matlab的高帽变换，能很好地对图像进行一定的处理，实现图像的增强，线性特征的提取，为后续的处理做准备-Matlab-based top-hat transform good image processing, image enhancement, linear feature extraction, to prepare for subsequent processing
picture_program
- 实现彩色图像变成黑白，灰度变换及线性拉伸；图像直方图绘制，均衡直方图；图像的边缘特征提取，log算子及canny算子提取-Color image into a black-and-white, gray-scale transformation and linear stretch
LMDA
- LMDA:一种改进的线性判别方法。用于实现线性数据的降维，进行特征提取。-LMDA: An improved linear discriminant analysis. Used to achieve linear data dimensionality reduction, feature extraction.
KFDA
- KFDA:核fisher用于分线性数据的降维。对数据进行特征提取。-KFDA: kernel fisher for sub-linear data dimensionality reduction. Data for feature extraction.
LDE-Algorithm
- 局部线性判别嵌入算法，用于实现高维数据的特征提取与低维嵌入，可以很好地实现数据的降维。-Local linear discriminant embedding algorithm, used to implement the feature extraction and the low dimensional embedding of high-dimensional data, can well realize data dimension reduction.
linear-extraction
- 运用滑动窗口的思想，对SAR图像中的建筑物线性特征进行提取-Using sliding window thinking on the SAR image building linear feature extraction
Chirp-radar
- 线性调频雷达信号特征提取方法研究-Chirp radar signal feature extraction method
LTE
- 对于城市环境中的高精度单频 GNSS 接收机而言，若考虑误差预报处理已抵消电离层误差，则地面传播环境所导致的多径效应将成为系统误差的主要因素。基于现有蜂窝通信的高分辨率信道估计结果，针对电波传播的幅度、相位、多普勒等特征提取信道响应函数，在极小误差范围内提供至 L 波段信号的线性特征映射-For multipath effects in urban environments with high accuracy single-frequency GNSS receiver, the foreca
stprtool_v2.12
- 统计模式识别工具箱(STPRTool 版本2.12 2013-09-12) 功能有线性判别函数、特征提取、密度估计和聚类、支持向量机、贝叶斯分类器、交叉验证等-Statistical Pattern Recognition Toolbox Methods: Fisher,PCA,GMM,K-means,SVM,Bayes classifier,Cross-validation,KNN,etc.