搜索资源列表
NNapply1
- 神经网络，主要用于数据预测以及相关的分析-Neural network, mainly used for data analysis of the forecast and the related
ImageCoding
- 图像压缩编码从本质上来说就是对要处理的图像源数据用一定的规则进行变换和组合,从而达到以尽可能少的代码来表示尽可能多的数据信息的目的.下面是图像压缩编码的源程序(shannon-fano编码)/(算术编码)/(位平面编码)/(预测编码)-Image compression coding is essentially to deal with the image of the source data used to change certain rules and combinations, so
03
- 类的目的就是根据现有的图像特征建立一个分类器，能够对未知的图像类型进行预测。在现有众多分类 算法中，贝叶斯分类器由于其坚实的数学理论基础并能综合先验信息和数据样本信息，成为"-3前机器学习和数据挖 掘的研究热点之一。本文论述了内容图像检索中基于贝叶斯分类器的图像分类技术。介绍了贝叶斯分类器，叙述了 利用贝叶斯分类器进行图像分类的方法，以及图像特征的分布假定。最后通过对分类器的探讨，总结了贝叶斯估计 分类的不足。-The purpose of class is based on a
iCAM(040213)
- 已知一幅图像在源观察条件下的数据，预测未知观察条件下的图像数据，并且可以计算图像差-Known in the source image data under the viewing conditions, predict unknown image data under the viewing conditions, and can calculate the difference image
gray-prediction
- 灰色预测算法，该算法很适合于所给原始数据较少的情况下进行预测-Grey prediction algorithm
kalman-tracking
- 基于卡尔曼滤波的目标轨迹跟踪预测 最优化自回归数据处理算法-Kalman filter based tracking target trajectory optimization autoregression forecasting data processing algorithms
CK-1_Repro.v1.02
- 有时间序列方法和技术的兴趣大增。从人，自然收集的信息几乎每一件，和生物过程是容易随时间的变化，以及这些变化如何发生的研究是一个中心问题充分理解这样的过程。所有的时间序列数据挖掘任务的分类中，可能是最突出的一个。在时间序列的分类有大量的实证研究，在时间域表明近邻规则是非常有效的。然而，一定的时间序列特征不在这个领域很容易地识别和表达的变化可能揭示了一些重要的和未知的特征。在这项工作中我们提出了递归图的使用对于时间序列的分类表示域。我们的方法复发措施地块使用坎帕纳基奥之间的相似性（CK-1）的距离，
WineClass
- 基于SVM的数据分类预测 葡萄酒种类识别，代码经测试可用-SVM-based prediction data classification- identifying the type of wine, the code has been tested and is available
height100
- 根据父母的身高数据以及本人的性别实现身高的预测-According to the parents of the height data as well as my prediction of gender to achieve height
kalman
- 基于卡尔曼滤波的目标轨迹跟踪预测 最优化自回归数据处理算法-Kalman filter based tracking target trajectory optimization autoregression forecasting data processing algorithms
Saliency-Detection
- 提出一种新的显着性检测方法，通过将区域级显着性估计和像素级显着性预测与CNN（表示为CRPSD）相结合。对于像素级显着性预测，通过修改VGGNet体系结构来执行完全卷积神经网络（称为像素级CNN）以执行多尺度特征学习，基于该学习进行图像到图像预测以完成像素级显着性检测。对于区域级显着性估计，首先设计基于自适应超像素的区域生成技术以将图像分割成区域，基于该区域通过使用CNN模型（称为区域级CNN）来估计区域级显着性。通过使用另一CNN（称为融合CNN）融合像素级和区域级显着性以形成nal显着图，并
K-Means PCA降维
- K-Means算法,不要求建立模型之后对结果进行新的预测，没有相应的标签，只是根据数据的特征对数据进行聚类。主成分分析降维对数据进行可视化操作,对features进行降维.(K-Means algorithm does not require the establishment of the model after the new prediction of the results, there is no corresponding tag, but only on the character
hlujoyi
- 公路客运量运量BP网络预测 现有某省1978～2002年的客运量数据,预测出2003年,2004年的客运量()