搜索资源列表
stprtool
- 用matlab实现的统计模式识别工具箱，非常棒适合学习。
stprtool26feb08
- matlab最新统计模式识别工具箱，更新日期2008.2.26
Svm
- 统计模式识别、线性或非线性回归以及人工神经网络等方法是数据挖掘的有效工具，支持向量分类（support vector classification，简称SVC）算法是一个很有发展前景的方向。
stprtool.rar
- 统计模式识别工具箱（Statistical Pattern Recognition Toolbox）包含： 1，Analysis of linear discriminant function 2，Feature extraction: Linear Discriminant Analysis 3，Probability distribution estimation and clustering 4，Support Vector and other Kernel Machines,
svm-km.rar
- 支持向量机(SVM)是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。它广泛的应用于统计分类以及回归分析中. 支持向量机属于一般化线性分类器.他们也可以认为是提克洛夫规则化（Tikhonov Regularization）方法的一个特例.这族分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区
Parzen-window-method
- 此为模式识别中Parzen窗法估计概率密度函数。 全部程序流程如下： 1、读取FAMALE.TXT文件把身高或体重给数组，并求x1的样本数N1和窗宽、体宽； 2、读取MALE.TXT文件把身高或体重给数组，并求x2的样本数N2和窗宽、体宽； 3、读取Test2.txt文件把对应的身高或体重给数组A并求A的样本数M； 4、利用Parzen窗法估计概率密度函数判别男女性别； 5、对本判别的错误率进行统计。 -This is the pattern recognition
stprtool
- 这是一个统计模式识别matlab工具箱，感兴趣的可以看看。-This is a statistical pattern recognition matlab toolbox, interested to see.
machine_learning_toolbox
- 这是个统计模式识别工具箱，是各种统计模式识别算法用matlab语言的实现。-The Statistical Pattern Recognition Toolbox is a collection of pattern recognition (PR) methods implemented in Matlab.
Test_new2
- matlab下模式识别分类后的统计，画图，简单，通用。-matlab classified under the statistical pattern recognition, drawing, simple, common.
Character-Recognition(Lib-SVM)
- 支持向量机的研究现已成为机器学习领域中的研究热点，其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，即最小化模型的结构风险，从而提高了模型的泛化能力，这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的，经过十几年的研究和发展，已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。- Support
chip_histogram_features
- 特征提取是模式识别中最重要的一个部分，这里提供的matlab代码计算一些基本的话音特征，而且，提供了一个简单的基于直方图的特征分类方法的实现。基本的特征包括：特征统计、Energy Entropy Standard Deviation (std)、均值信息熵、过零率检测、频谱衰减等等六个特征-Pattern recognition feature extraction is the most important part, here' s matlab code to compute so
Fisher-linear-discriminant-method
- 此为模式识别中的Fisher线性判别方法求分类器。进行了男、女错误率和总错误率的统计。 全部程序流程如下： 1、读取FAMALE.TXT文件把身高或体重给数组，并求x1的样本均值m1和内离散度S1； 2、读取MALE.TXT文件把身高或体重给数组，并求x2的样本均值m2和内离散度S2； 3、求最佳变换向量和阀值点； 4、读取Test2.txt文件把对应的身高或体重给数组A并求A的样本数M； 5、把最佳变换向量和阀值点、x代入判别方程g（x）； 6、对本判别的错误率进行
Minimum-Bayes-classifier-error-rate
- 这是模式识别中最小错误率Bayes分类器设计方案。 自行完善了在不同先验概率的条件下，男、女错误率和总错误率的统计，放入各个数组当中。 全部程序由主函数、最大似然估计求取概率密度子函数、最小错误率贝叶斯分类器决策子函数三块组成。 调用最大似然估计求取概率密度子函数时，第一步获取样本数据，存储为矩阵；第二步对矩阵的每一行求和，并除以样本总数N，得到平均值向量；第三步是应用公式（3-43）采用矩阵运算和循环控制语句，求得协方差矩阵；第四步通过协方差矩阵求得方差和相关系数，从而得到概率密度
Minimum-Risk-Bayes-classifier
- 这是模式识别中最小风险Bayes分类器的设计方案。在参考例程的情况下，自行完善了在一定先验概率的条件下，男、女错误率和总错误率的统计，放入各个数组当中。 全部程序由主函数、最大似然估计求取概率密度子函数、最小错误率贝叶斯分类器决策子函数三块组成。 调用最大似然估计求取概率密度子函数时，第一步获取样本数据，存储为矩阵；第二步对矩阵的每一行求和，并除以样本总数N，得到平均值向量；第三步是应用公式（3-43）采用矩阵运算和循环控制语句，求得协方差矩阵；第四步通过协方差矩阵求得方差和相关系数，从
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
stprtool
- 统计模式识别工具箱。包含一系列经典模式识别源代码。-Statistical Pattern Recognition Toolbox for Matlab.This toolbox implements a selection of statistical pattern recognition methods.
stprtool
- 统计模式识别，包括PCA LDA SVM-Statistical pattern recognition, including the PCA LDA SVM
H_K
- 统计模式识别中，几何分类方法的H-K分类算法-Statistical pattern recognition, classification of HK geometric classification algorithm
Neural-network-algorithm
- 神经网络算法，包含贝叶斯估计,统计模式识别算法-Neural network algorithm, Bayesian estimation, and so contain
时频域统计特征
- 信号的时频域统计特征，可用于后续模式识别,特征选择，特征提取。(The time-frequency statistics of the signal can be used for subsequent pattern recognition.)