搜索资源列表
CorrectCarNoImageAndRegnize
- 一种车牌图像校正新方法 【摘要】因摄像机角度而造成的机动车牌图像倾斜会对其后继的字符分割与识别带来不利的影响。本文在分析了车牌倾斜模式的基础上,提出了一种基于最小二乘支持向量机（LS-SVM）的车牌图像倾斜校正新方法。通过LS-SVM线性回归算法求取坐标变换矩阵并对畸变图像进行旋转校正。主要方法：首先,将二值倾斜车牌图像中的像素转换为二维坐标样本,并构造图像数据集 再通过LS-SVM线性回归算法对该数据集进行回归,求取主要参数 最后,再由该参数转换为能反映图像倾斜方向的2维坐标变换矩阵。实验
LS
- 试验模态分析的时域识别方法的一种，可以识别出信号的模态参数，固有频率阻尼比振型系数，-Experimental modal analysis of a time-domain identification method that can identify the signal modal parameters, natural frequency mode of vibration damping ratio coefficient,
libsvm_src_2.6NOTE
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~c
libsvm-mat-2[1].9-11
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~c
svm4
- -s svm类型：SVM设置类型(默认0) 0 -- C-SVC 1 --v-SVC 2 – 一类SVM 3 -- e -SVR 4 -- v-SVR -t 核函数类型：核函数设置类型(默认2) 0 – 线性：u v 1 – 多项式：(r*u v + coef0)^degree 2 – RBF函数：exp(-r|u-v|^2) 3 –sigmoid：tanh(r*u v + coef0) -d degree
GA
- 一个遗传算法 ，用于优化支持向量机的核函数参数及相关参数-A function about the parameters of svm
SVM_Short-term-Load-Forecasting
- 优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，
pso_svm
- 该文件为粒子群算法优化支持向量机模型参数的matlab代码 支持向量机模型为专门用于处理不平衡数据的成本控制型支持向量机模型 用粒子群算法优化模型中的三个主要参数：C1、C2、sigma-The file is in particle swarm optimization parameters of support vector machine model matlab code for support vector machine model designed for use with
svm
- 一种用遗传算法优化支持向量机参数的简单matlab程序，非常适合初学者学习。-A Method for optimizing parameters of a simple support vector machine matlab program is ideal for beginners to learn.
svm
- SVM神经网络中的参数优化---如何更好的提升分类器的 性能-a important and popular classifier
pso-lsssvm
- 用粒子群算法选择支持向量机的参数（来自于互联网，在此感谢原创）-With the particle swarm algorithm to select the parameters of support vector machines (from the Internet, would like to thank the original)
SVM
- SVM核心思想是:对于输入空间中非线性可分的情形,选择一个适当的非线性映射,将输入空间中的样本点映射到一个高维空间,然后通过一系列核函数、参数因子的选择得到最优分界面。-SVM core idea is: For the non-linear input space can be divided into the case, select an appropriate nonlinear mapping the input space sample point is mapped to a hi
SVM
- svm神经网络中的参数优化---提升分类器性能-svm parameters of neural network classifiers to enhance the performance optimization---
Machines-Based-on-DFS
- 深度优先搜索的支持向量机参数优化算法 Study on Parameters Optimization of Support Vector Machines Based on DFS :研究支持向量机参数优化问题，由于算法要求准确选择 SVM 参数，支持向量机在处理大样本数据集时和最优模型参 数确定时，消耗的时间长、占有内存大，易获得局部最优解的难题。为了解决支持向量机存在的不足，采用深度优先搜索算 法对其参数优化机机制进行改进。将向量机参数优化视成一个组合优化问题，将支持向
adaptive-genetic-algorithm
- 自适应GA SVM 参数选择算法研究Param eter selection algorithm for support vector machines based on adaptive genetic algorithm 支持向量机是一种非常有前景的学习机器, 它的回归算法已经成功地用于解决非线性函数的逼近问题. 但 是, SVM 参数的选择大多数是凭经验选取, 这种方法依赖于使用者的水平, 这样不仅不能获得最佳的函数逼近效果, 而且采用人工的方法选择 SVM 参数比较浪费
wxpso-svm
- 支持向量机SVM(Support Vector Machine)作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取.-Support Vector Machine SVM (Support Vector Machine) as a training of Machine learning method, rely on small sample after learning of the navigation star model parameters are extract
SVM-REGRESSION
- SVM回归预测，有关于CG参数的寻优，网格方法，最后减少误差到指定要求-SVM regression
SVM-and--Face-Recognition
- 支持向量机及其在人脸识别中的应用研究 上海交通大学博士论文，在知网上面付费下载得到的。本文从应用的角度出发，较为全面地对一些相关问题进行探讨，并使用Visual C++实现了一个基于支持向量机的人脸识别软件—idTeller。 论文的主要工作和创新点包括： ·提出了两种基于VC边界的支持向量机参数选择算法—固定C算法和VC-CV算法。VC边界是两类支持向量机参数选择的一个理想准则，但它的一些固有缺点使其应用变得困难。本文通过将VC边界转化为VC指标，最终把问题归结为对最小包围体的求解，从理论
svm
- svm原理介绍和常用算法，适合初学者使用，可适合自行调整参数-The svm principle introduced and commonly used algorithms, suitable for beginners to use may be suitable for self-adjust the parameters
LS-SVM
- 本文主要研究 LS-SVM 算法的基本原理及基于其实现时间序列预测 的方法。针对超参数选择困难的问题，采用多级网格搜索和遗传算法的方法对 超参数的取值进行优化-This paper studies the basic principles of the LS-SVM algorithm and time series prediction based on its implementation. Difficult to select for hyper parameter, multi