搜索资源列表
bayesPfisher
- 基于bayes准则和fisher准则的线性分类器。bayes是对细胞的判别分类 分为最小错误率和最小风险两种；fisher是对两类进行判别-Bayes guidelines and criteria based on fisher linear classifier. bayes classification is divided into cells, determine the minimum error rate and minimal risk of two kinds fisher
Seal-Identification
- 运用H15；I色彩窄间对印章图像颜色特征提取等一系列预处理，研究了多种识 别方法后发现基于纹理特征的印鉴识别方法不但速度快，而且识别率也较高，并且方法简便。通 过将极坐标和傅垦叶变换结合，计算m印签图像纹理的频谱度量，来完成印鉴的特征提取，运用支 持向量机分类器对印鉴进行识别，实验证明，方法具有良好的旋转不变纹理分析性能，提高了识别 率。-It WaS found a fast，simple and a higher seal image(HSI)identification
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
gender-classification-experiments
- 这是用身高体重数据进行性别分类的实验。 用最小错误率贝叶斯分类器决策时，首先通过比较概率大小判断一个体重身高二维向量代表的人是男是女，然后再逐一与已知性别的数据比较，就可以得到错误率的统计。然后改变先验概率，重复上面的过程，观察数据结果的变化。 用最小风险贝叶斯分类器决策时，首先求出用最小错误率贝叶斯分类器得到的条件概率；然后根据人为给定的决策表，根据公式算出条件风险；然后逐一比较条件风险，找出使条件风险最小的决策（也就是分类）。最后用分类得到的结果逐一比较已经知道的原始数据，统计处错误
Comparison-of-Bayesian-and-fisher
- 训练错误率和交叉验证错误率相等，在样本比较大时，这个结果是可以预期的；训练错误率一般低于测试错误率，但是当样本数据比较少时，实验也出现了意外，样本多的那组测试错误率比样本少的训练错误率还要小；在本实验中，同组数据的交叉验证错误率比独立测试错误率高，这个反常现象是因为样本的原因所致，交叉验证的样本小，而独立测试时所用训练样本数目大，因而出现这种情况。分类线上，fisher准则是一条直线，而贝叶斯分类器实际上是一个类似椭圆的封闭曲线；很明显，贝叶斯分类器比fisher分类器要好。-Training
Algorithms-of-the-intelligent-web
- 智能web算法英文原版, 描述利用各种技术对web应用进行智能化的处理； 涵盖五类重要算法：搜索、推荐、聚类、分类和分类器融合-This is the English original version of <Algorithms of the Intelligent Web>. It is about the use of techniques that enable the intelligent processing of information.This
yuyinshibie
- 基于特定人情感的语音识别，语音情感特征提取；语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统。内容很丰富-In this article, we have accomplished a system for emotion recognition of speech by establishing a database of speech with certain emotion by certain people analyzing emotion features and de
OHaarTrainingP
- OPENCV训练过程的说明文档，在样本创建；训练分类器；利用训练器进行目标检测测作了操作说明源程序在安装OPENCV时，自带apps\HaarTraining -Documentation of the OPENCV training process, created in the sample train classifiers trainer for target detection measurements have been operating instructions when
BBP--nnnP
- BP神经网络分类器程序源码有两种运行状态，一个是学习，另外一个是分类。在学习状态下，在Dos命令符下输入bp learn，便开始学习了，学习的结果放在weight.dat中；在工作状态下，在Dos命令令符下下输入bp work，便开始识别classfyme.dat中的数据了，识别完成后，结果放在results.dat中。在bp运行的任何一种状态下，都不能手工打开Weight.dat、Sample.d -BP neural network classifier program source c
shuzishibie
- 以数字与字母识别系统的基本处理流程为主线，从待识别数据的获取入手，通过预处理、特征的提取与选择，到分类器的设计等部分都进行了较为详尽的分析与研究，MATLAB仿真实验表明；采用最小距离法对所给出的一组数字及字符图片进行不同的分块识别，最终得出分8块识别率为85.71 ；分16块识别率为95.71 ；分20块识别率为95 ；具有较高的识别率。-The basic process flow of the numbers and letters recognition system as the ma
Pattern-Recognition2
- 清华模式识别第二次作业，采用dataset2.txt 数据作训练样本，采用身高与体重特征进行性别分类，建立最小错误贝叶斯分类器；2、采用身高体重数据作为特征，以 dataset2.txt 作为训练数据，用 Fisher 线性判别方法设计分类器；3、从多层感知器、SVM、近邻法选择一种方法，进行上述的分类实验；-Tsinghua second operation pattern recognition using dataset2.txt data for training samples, us
PCA
- 在这篇文章中，我们主要阐述了基于PCA和LDA的人脸识别技术。这个技术包含两个步骤：首先，我们通过PCA将人脸图片从原始向量空间中提取到子向量空间——特征脸空间；然后，再通过LDA获得一个线性分类器。-In this article, we mainly elaborated based on PCA and LDA face recognition technology. This technique consists of two steps: First, we will face ima
traindata
- 用于训练人头分类器的正样本和负样本数据库；训练可使用opencv自带的分类器-Positive samples and negative samples database used to train the head classifier training can use the built-in classifier opencv
speech-emotion-recognition
- 过特定人语音情感数据库的建立；语音情感特征提取；语音情感分类器的设计，完成了一个特定人语音情感识别的初步系统。对于单个特定人，可以识别平静、悲伤、愤怒、惊讶、高兴5种情感，除愤怒和高兴之间混淆程度相对较大之外，各类之间区分特性良好，平均分类正确率为93.7 。对于三个特定人组成的特定人群，可以识别平静、愤怒、悲伤3种情感，各类之间区分特性良好，平均分类正确率为94.4 。其中分类器采用混合高斯分布模型。-The system of speech emotion recognition
createFaceEignDatabase
- 利用一个小样本人脸样本库创建数据库ar_test.mat中的训练样本数据和待测样本数据将生产的数据库文件.mat利用FDDL程序进行测试，分类；在程序最后先利用最短距离测试提取特征的效果本文利用SVD分解，并提取了每一幅图像的前3列特征向量（前三个主成分），共计3*200个特征向量，构成一个训练样本列元素最后的简单分类测试效果在90 ，区分度较好，能够适用于其他分类器实验..后续中，选取了第一主成分，发现识别率达到100 ；选取了前33个，反而低于了90 ，不知如何解释？-Using a sma
bp_network
- 对两种类型的纹理图像，各选取30幅，计算灰度共生矩阵，提取特征向量；构件BP神经网络分类器，用每种类型的前20幅对分类器进行训练，后10幅用来测试分类效果。-Two types of texture image for each select 30 calculated GLCM, extracting feature vectors member BP neural network classifier, before use each type of 20 pairs classifier
Fisher1
- Fisher线性分类器的设计,1、掌握Fisher线性判别方法；2、掌握Bayes决策的错误率的计算；3、掌握分类器错误率的估算方法。 -The design of Fisher.
project1_code
- 这是matlab编写的3个常用机器学习分类器代码。其中包括了： 1）PCA 分类其；2）LDA分类器：3）naive贝叶斯分类器。 3个算法的实现参考了《Introduction to Machine Learning》。 除了这3个分类算法的实现外，代码里面还包含了用于测试的main.m 主程序和一个实验的简要报告。实验在著名数据集acoustic_train_data 上进行。-This source code includes the implementation of three f