搜索资源列表
special FastICA
- 这次上传的代码是关于特征提取的主要算法之一：ica，其比pca要好-this code is uploaded on the main feature extraction algorithm : ica, better than the PCA
PCA
- 提出一种基于主分量分析和相融性度量的快速聚类方法。通过构造主分量空间将高维数据投影到两个主成分上 进行特征提取，每一个主分量都是原始变量的线性组合-Is proposed based on Principal Component Analysis and Measure of blending fast clustering method. Principal component space by constructing a high-dimensional data onto two p
Desktop
- 人脸识别技术是计算机模式识别领域非常活跃的研究课题，在法律、商业等领域有 着广泛的应用前景。自动人脸识别系统一般由两个模块组成：定位与检测模块，特征提 取与识别模块。本文对两个子模块进行了详细讨论，通过实验仿真了一个基于静态图像 的人脸识别系统。为提高系统的识别率，本文对定位检测模块和特征提取模块进行了深 入研究。 针对复杂多变人脸检测和定位问题，实现了一种基于对称特征的人脸定位方法。该 算法首先基于肽色特征提取出人脸区域，根据眼睛的颜色和梯度特征在肤色区找到眼睛 可
PCA
- 提出了一种二维类增广PCA（2DCAPCA）的人脸识别算法。用二维PCA（2DPCA）方法直接对人脸图像矩阵进行特征提取，对提取的特征进行归一化处理，将归一化处理后的特征与类别信息结合构成类增广矩阵，对类增广矩阵进行2DPCA处理，提 取图像的类增广矩阵特征-This paper proposes a face recognition approach of two-dimension class-augmented PCA.
PCA
- 针对稀疏表示识别方法需要大量样本训练过完备字典且特征冗余度较高的问题，提出了结合过完备字典学习与PCA降维的小样本语音情感识别算法.该方法首先用PCA降维方法将特征降维，再将处理后的特征用于过完备字典训练与稀疏表示识别方法，从而给出了语音情感特征的稀疏表示方法，并确定了新算法的具体步骤.为验证其有效性，在同等特征维数下，将方法与BP, SVM进行比较，并对比、分析语音情感特征稀疏化前后对语音情感识别率、时间效率以及空间效率的影响.试验结果表明，所提出方法的识别率比SVM与BP高 与采用稀疏化前的
renlianhsib
- PCA 人脸识别修订版，识别率88％ 获取特征值及特征向量 word 可以参考 学习-PCA face recognition revision, the recognition rate of 88 Get the eigenvalues and eigenvectors word can refer to learning
PCA-SIFT
- 用pca-sift实现特征匹配，是sift算法的改进，可直接使用-Achieved with pca-sift feature matching is improved sift algorithm can be used directly
2005510101315809
- 提出了一种复杂背景下的多车牌图像分割和识别方法，首先采用统计和特征匹配相结合的方法进行背景提取，将可能存在车辆的区域提取出来；然后分别对可能的车辆区域进行局部边缘检测，并使用车牌的先验知识确定车牌的位置和单个字符分割，包括车牌倾斜时的字符分割；最后使用PCA和神经网络相结合的方法精确识别车牌。-Proposed a multi-plate image segmentation and recognition method under a complex background, the first
Grading-test
- 为实现合格和缺陷板栗的分级， 研究了 1 种基于 BP 神经网络与板栗图像特征的板栗分级方法。 试验以罗田板 栗为研究对象， 提取的颜色及纹理等 8 个特征值， 通过主成分分析提取相应的主成分得分向量构成模式识别的输入。 利 用 BP 神经网络方法建立了板栗分级模型。 试验结果表明， 在图像信息主成分因子数为 3， 中间层节点数为 12 时， 建立 的模型最佳， 模型训练时的回判率为 100 ， 预测时识别率达到了 91 .67 。 研究结果表明基于机器视觉技术的针对缺陷 板栗分
eu582
- 详细画出了时域和频域的相关图，非归零型差分相位调制信号建模与仿真分析 ，结合PCA的尺度不变特征变换(SIFT)算法。- Correlation diagram shown in detail the time domain and frequency domain, NRZ type differential phase modulation signal modeling and simulation analysis, Combined with PCA scale invariant f
bun_xh45
- 是学习PCA特征提取的很好的学习资料，采用热核构造权重，插值与拟合，解方程，数据分析。- Is a good learning materials to learn PCA feature extraction, Thermonuclear using weighting factors Interpolation and fitting, solution of equations, data analysis.
wv486
- 语音信号的采集与处理，数字信号处理课设，是学习PCA特征提取的很好的学习资料，是国外的成品模型。- Acquisition and Processing of the speech signal, digital signal processing class-based, Is a good learning materials to learn PCA feature extraction, Foreign model is finished.
mjfap
- 包括回归分析和概率统计，结合PCA的尺度不变特征变换(SIFT)算法，计算晶粒的生长，入门级别程序。- Including regression analysis and probability and statistics, Combined with PCA scale invariant feature transform (SIFT) algorithm, Calculation of growth, entry-level program grain.
vugsq
- 采用热核构造权重，结合PCA的尺度不变特征变换(SIFT)算法，插值与拟合的matlab实现。- Thermonuclear using weighting factors Combined with PCA scale invariant feature transform (SIFT) algorithm, Interpolation and fitting matlab implementation.
iq245
- 结合PCA的尺度不变特征变换(SIFT)算法，正确率可以达到98％，粒子图像分割及匹配均为自行编制的子例程。- Combined with PCA scale invariant feature transform (SIFT) algorithm, Accuracy can reach 98 , Particle image segmentation and matching subroutines themselves are prepared.
dtdri
- 结合PCA的尺度不变特征变换(SIFT)算法，已调制信号计算其普相关密度，Matlab实现界面友好。- Combined with PCA scale invariant feature transform (SIFT) algorithm, Modulated signals to calculate its density Pu-related, Matlab to achieve user-friendly.
0774
- 正确率可以达到98％，是学习PCA特征提取的很好的学习资料，使用起来非常方便。- Accuracy can reach 98 , Is a good learning materials to learn PCA feature extraction, Very convenient to use.
gy558
- 最大信噪比的独立分量分析算法，是学习PCA特征提取的很好的学习资料，isodata 迭代自组织的数据分析。- SNR largest independent component analysis algorithm, Is a good learning materials to learn PCA feature extraction, Isodata iterative self-organizing data analysis.
ja184
- 鲁棒性好，性能优越，光纤无线通信系统中传输性能的研究，是学习PCA特征提取的很好的学习资料。- Robustness, superior performance, Fiber Transmission wireless communication system performance, Is a good learning materials to learn PCA feature extraction.