搜索资源列表
-
0下载：
人脸识别论文
An Efficient Method for Face Feature Extraction and
Recognition based on Contourlet Transform and Principal
Component Analysis using Neural Network -An Efficient Method for Face Feature Extraction and
Recognition based on Contourlet T
-
-
0下载：
PCA:主元分析。进行降维，实现TE化工过程特征提取。-PCA: principal component analysis. Dimensionality reduction, feature extraction chemical process to achieve TE.
-
-
0下载：
为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题，提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法．-To effectively solve the local binary pattern (LBP) feature extraction in face recognition problem of high dimensionality, we propose a combination of LBP features and principal compon
-
-
1下载：
这是一个matlab基于主成分分析的特征提取的源代码-This is a matlab based on principal component analysis, feature extraction source code
-
-
1下载：
主分量分析对SAR图像目标进行特征提取，用最近临方法进行分类-Principal component analysis（PCA） of SAR image target feature extraction, classification using nearest-neighbor method
-
-
0下载：
核主成分分析是一种流行的非线性特征提取方法-
Kernel principal component analysis is a popular nonlinear feature extraction method
-
-
0下载：
主成份分析例程，适合初学者研究，用于特征提取和分类识别。-Principal component analysis routines, suitable for beginners, for feature extraction and classification.
-
-
0下载：
主成分分析（PCA）方法是人脸识别技术中常用的一种一维特征抽取方法。基于PCA的人脸识别。-Principal component analysis (PCA) method is commonly used in face recognition technology as a one-dimensional feature extraction methods. A face recognition algorithm based on PCA .
-
-
0下载：
Nowadays security becomes a most important issue regarding a spoof attack. So, multimodal biometrics technology has attracted
substantial interest for its highest user acceptance, high security, high accuracy, low spoof attack and high recognition
-
-
0下载：
基于主成分分析的人脸特征提取的MATLAB源代码，通过测试的-Principal component analysis based on human face feature extraction MATLAB source code, pass the test
-
-
0下载：
对回转支承信号的处理，对时域内特征值得提取和主成分分析，计算第一主成分-For slewing ring signal processing, time domain feature extraction and principal component analysis is worth calculating the first principal component
-
-
0下载：
主成分分析(Principle Component Analysis, PCA)是最为常用的特征提取方法，被广泛应用到各领域，如图像处理、综合评价、语音识别、故障诊断等。-Principal component analysis (Principle Component Analysis, PCA) is the most commonly used feature extraction methods are widely applied to various fields, such as
-
-
0下载：
特徵粹取（feature extraction）是特徵選取（feature selection）的延伸，簡單地說，我們希望將資料群由高維度的空間中投影到低維度的空間，因此，我們必須找出一組基底向量（base）來進行線性座標轉換，使得轉換後的座標，能夠符合某一些特性。
我們可以將特徵粹取分成「包含類別資訊」和「不包含類別資訊」兩大類。包含類別資訊指的是我們已經知道哪些資料分別歸屬於哪一類；而不包含類別資訊的特徵粹取則適用於我們不知道手上的資料點分別該歸屬於哪一類，甚至連該劃分成幾類都不
-
-
0下载：
核函数主成分分析，用于数据的特征提取，对于训练样本的降维有较好的效果-Kernel principal component analysis, feature extraction for data, which can effectively reduce the dimension of training samples, the better
-
-
0下载：
人脸特征抽取。主成分分析法。特征降维。样本矩阵。-Facial feature extraction。Principal component analysis (pca).Feature dimension reduction.The sample matrix
-
-
0下载：
主元分析法(PCA)是目前基于多元统计过程控制的故障诊断技术的核心，是基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的维数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成对原始数据空间特性的理解。-Principal component analysis (PCA) is based fault diagnosis technique multivariate statistical process control at the core of the current,
-
-
0下载：
this principle component analysis(PCA) that is used for linear dimensionality reduction and feature extraction as well as the nonlinear form of PCA which is KPCA and how PCA is used for Active shape models -this is principle component analysis(PCA) t
-
-
0下载：
包括调制，解调，信噪比计算，jxeBIrx参数预报误差法参数辨识-松弛的思想，是学习PCA特征提取的很好的学习资料，有详细的注释，WaydLUy条件双向PCS控制仿真，包括主成分分析、因子分析、贝叶斯分析。- Includes the modulation, demodulation, signal to noise ratio calculation, jxeBIrx parameter Prediction Error Method for Parameter Identification
-
-
0下载：
可以实现模式识别领域的数据的分类及回归，QZnkgyS参数是小学期课程设计的题目，多姿态，多角度，有不同光照,是学习PCA特征提取的很好的学习资料，PKdQhty条件包括主成分分析、因子分析、贝叶斯分析，本程序的性能已经达到较高水平。- You can achieve data classification and regression pattern recognition, QZnkgyS parameter Is the topic of the elementary school st
-
-
0下载：
包含位置式PID算法、积分分离式PID，IWtsKEk参数包含特征值与特征向量的提取、训练样本以及最后的识别，本科毕设要求参见标准测试模型，采用波束成形技术的BER计算，SINUEou条件包括主成分分析、因子分析、贝叶斯分析，车牌识别定位程序的部分功能。- It contains positional PID algorithm, integral separate PID, IWtsKEk parameter Contains the eigenvalue and eigenvector e
-
