搜索资源列表
RAN
- 资源分配网络的主要思想是当神经网络在学习过程中发现“未建模”的样本时，就分配新的计算节点。-The main idea of the network resource allocation is when the neural networks found in the learning process " is not modeling" of the samples, to assign a new compute nodes.
svm_1
- 此程序是模拟SVM的性能，通过一个确定区域离散点，作为输入样本，用svm进行训练，然后在此输入区域中所有的点，进行判断，这个是演示的是svm 回归-This procedure is to simulate the performance of SVM, through a defined area of discrete points as input samples, with the svm training, and then enter all the po
PatterRecognition-4.0
- 模式识别 作业 实现自动产生样本，并用最近距离法，贝叶斯分类，Parzen窗概率密度估计-Pattern recognition operations automatically generate the sample, and with the recent distance method, Bayesian classifier, Parzen window probability density estimation
single-model
- 谁神经网络中最基本的算法，单样本训练，用于提取样本特征值-Who is the most basic of neural network algorithm, a single sample of training samples used to extract the characteristic values
zzz099SVM
- 为了对目标进行快速的检测，提出了一种新的基于支持向量机的级联式分类器的构造方法。该级联分类器由若干个线性SVM弱分类器构成，结构简单，分类时间极快。针对级联结构中的每个节点的训练给出了一个新的SVM框架下的二次规划模型，这使得每个节点都有较高的正样本检测率和适当的负样本错检率。-In order to quickly detect the target, a new cascade based on support vector machine classifier constructor. T
lms
- 最小均方算法lms在波束形成中的应用 LMS算法步骤： 1,、设置变量和参量： X(n)为输入向量，或称为训练样本 W(n)为权值向量 b(n)为偏差 d(n)为期望输出 y(n)为实际输出 η为学习速率 n为迭代次数 2、初始化，赋给w(0)各一个较小的随机非零值，令n=0 3、对于一组输入样本x(n)和对应的期望输出d，计算 e(n)=d(n)-X^T(n)W(n) W(n+1)=W(n)+ηX(n)e(n) 4、判断是否满足条件，若满足
Bayes
- 贝叶斯分类器的分类原理是通过某对象的先验概率，本文详细介绍贝叶斯分类器，使用贝叶斯分类器对样本进行训练分类，得到良好分类结果，并对分类结果进行分析。-Principle of Bayesian classifiers is through prior probability of an object, the paper describes Bayesian classifier, Bayesian classifier using the training sample classificat
gps-filter
- 计算滤波的均值和误差的均值， 真实轨迹 , 观测样本 , 估计轨迹 -Calculate the mean and error filtering means, ' true path' , ' observed sample' , ' estimated trajectory'
javatext
- 一个初学者的例子，完成类似留言本的功能。给大家一个学习的样本.-Example of a beginner to complete a similar message of this function. Give you a learning sample.
number_recognized
- 使用bp神经网络进行数字识别，效果较好，并带有训练样本集-Use bp network to recognize the number，the result shows it is nice.
MNIST-handwritten-digits
- 手写数字识别数据集，MNIST，包括原始数据集的所有样本，以及抽取的2000个样本的子集，.mat格式。美国著名数据集NIST的子集，模式识别常用实验数据集-handwritten digits recognition ,dataset, MNIST from NIST, .mat file,
KMeans
- K均值(K-Means)聚类算法，采用模板方式实现，支持不同类型样本数据。-K-Means cluster algorithm, using template to suport any data type.
test
- 针对20个已知类别数据，前15个训练样本和带刺的5个样本，通过该程序可识别出待测的样本属于哪一类。-Data for the 20 known types, the first 15 training samples and barbed 5 samples can be identified by the program which type of samples tested.
kstest_2s_2d
- kstest_2s_2d.m：功能做两样本的二维Kolmogorov - Smirnov检验 它类似于MATLAB的内置函数的“kstest2“从统计工具箱除了“kstest_2s_2d“与二维数据处理。 [小时，pValue，KSstatistic] = kstest_2s_2d（为x1，x2，α，尾） 函数在两栏输入“ד，并以“ד，其中每一列代表一个维度。其他的选项和产出是相同的含义，是“kstest2“格式。 摘要算法（峰值，1983年）：考虑
the-distance
- 以计算样本点到聚类中心的距离为例，学到matlab中矩阵在加权指数,迭代次数和误差的相关应用-Sample points to calculate the distance to the cluster center, for example, learn matlab in the matrix in the weighted index, the number of iterations and errors related applications
chepai
- 车牌识别算法的VC环境的实现。 能够对车牌图像进行图像处理图象输入---》灰度化---》二值化---》梯度锐化---》去离散噪声---》倾斜度调整---》图象切分---》归一化---》特征提取---》样本训练---》字符特征输入---》识别出字符结果---》结束- License Plate Recognition
kennard-stone
- 经典的KS算法，用于近红外光谱分析选样本。-Classic KS algorithm, the sample selected for the near-infrared spectroscopy.
xiaobobao-BP-zhoucheng-zhenduan-
- 基于小波包特征向量与神经网络的滚动轴承故障诊断。：基于故障轴承的特征提取，提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法。对滚动轴承信号进行3层小波包分解，构造小波包特征向量作为故障样本，用训练好的BP神经网络进行故障诊断，试验结果表明，该方法能够有效地诊断出滚动轴承的故障类型。-Fault Diagnosis of Rolling Bearings Based on W avelet Packet Energy Eigenvector and Neural Network
kmeans-image-segmentation
- K-means算法是一种动态聚类方法，这种方法先选择若干样本作为聚类的中心，在按某种聚类准则（通常采用最小距离原则）使各种样本向各个中心积聚，从而得到初始的分类，然后，判断分类的合理性，如果不合理，就修改分类，如此反复的修改聚类的迭代运算，直到合理为止。-K-means algorithm is a dynamic clustering method, this method, select the number of samples as a cluster center in the clu
ELM
- 训练集/测试集产生 load spectra_data.mat 随机产生训练集和测试集 temp = randperm(size(NIR,1)) 训练集——50个样本 P_train = NIR(temp(1:50),:) T_train = octane(temp(1:50),:) 测试集——10个样本 P_test = NIR(temp(51:end),:) T_test = octane(temp(51:end),:) N = si