搜索资源列表
Texture-Segmen-ta-t-ion-withWavelet
- 为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率, 提出了一种基于小波变换的利 用特征加权来进行纹理分割的方法. 该方法包括特征提取、预分割和后分割 3 个阶段, 其中, 特征提取在金字塔结 构小波变换的基础上进行 预分割利用均值聚类算法来对原始图象进行初步的分割 后分割则根据预分割的结果 对特征进行加权, 然后利用最小距离分类器来实现图象的最后分割. 与传统的方法相比, 该方法在分割错误率、边 缘准确性以及区域一致性等方面均有明显的改善-To imp rove t
MIMO_MSE_20130509
- mimo系统基本仿真 mse算法下错误率最小-mimo system
MCE_classifier
- 两类数据分类器，基于简单高斯模型，并依据MCE最小分类错误率准则进行迭代参数估计后，在对测试数据进行分类-Two types of data classification, based on a simple Gaussian model, and based on the minimum classification error rate criterion MCE iterative parameter estimation after the test data classificatio
模式识别第一次作业
- 1． 用 dataset1.txt 作为训练样本，用dataset2.txt 作为测试样本，采用身高和体重数据为特征，在正态分布假设下估计概率密度（只用训练样本），建立最小错误率贝叶斯分类器，写出所用的密度估计方法和得到的决策规则，将该分类器分别应用到训练集和测试集，考察训练错误率和测试错误率。将分类器应用到dataset3 上，考察测试错误率的情况。(1. using dataset1.txt as training samples as test samples by dataset2.tx
patter
- 1. 以身高为例，画出男女生身高的直方图并做对比； 2. 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3. 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4. 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(1. take height as an example, draw the height histogram of ma
Beyes
- 实验要求： 1. 以身高为例，画出男女生身高的直方图并做对比； 2. 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3. 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4. 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(Experimental requirements: 1. take height as an exa
work
- 1) 以身高为例，画出男女生身高的直方图并做对比； 2) 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3) 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4) 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(1) taking height as an example, draw the histogram of male and f
pattern recognize1
- 1. 以身高为例，画出男女生身高的直方图并做对比； 2. 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3. 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（假定方差已知，作业请注明自己选定的一些参数情况）； 4. 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(The program is used for classification of men and women in pa
实验1
- 最小错误率贝叶斯决策方法的MATLAB程序(Bayesian decision making method with minimum error rate)
knn
- 模式识别中的k近邻算法，经过测试，运行结果很好。 最小距离分类器 : 它将各类训练样本划分成若干子类，并在 每个子类中确定代表点 。测试样本的类别则以其与这些代表点距离最近作决策。该方法的缺点是所选择的代表点并不一定能很好地代表各类，其后果将使错误率增加。(The k nearest neighbor algorithm in pattern recognition has been tested and the result is very good. Minimum distance c
PR代码及资料
- 1. 以身高为例，画出男女生身高的直方图并做对比； 2. 采用最大似然估计方法，求男女生身高以及体重分布的参数； 3. 采用贝叶斯估计方法，求男女生身高以及体重分布的参数（注明自己选定的参数情况）； 4. 采用最小错误率贝叶斯决策，画出类别判定的决策面。并判断某样本的身高体重分别为(160,45)时应该属于男生还是女生？为(178,70)时呢？(1. Take the height as an example, draw the histogram of the height of boys a
贝叶斯判决
- 假定某个局部区域细胞识别中正常w1和非正常w2 两类先验概率分别为： 正常状态：P(w1)=0.9 ； 异常状态：P（w2）=0.1 。 现有一系列待观察的细胞，其观察值为： -2.67 -3.55 -1.24 -0.98 -0.79 -2.85 -2.76 -3.73 -3.54 -2.27 -3.45 -3.08 -1.58 -1.49 -0.74 -0.42 -1.12 4.25 -3.99 2.88 -0.98 0.79 1.19 3.07 两类的类条件概率符合正态分布