搜索资源列表
PCA
- 实现了模式识别中主成分分析（PCA）算法，可以对目标快速分类-To achieve the pattern recognition principal component analysis (PCA) algorithm, can be quickly classified on the target
MATLAB
- 一个可以把矩阵进行标准化的小程序，比较简单。一个主成分分析快速降低维的算法-Matrix standardized small program
SIFT_PCA
- 人脸识别，将主成分分析法与局部特征提取算法结合在一起实现，具有快速、准确的优点。
1
- 快速主成分分析方法，既可以大大降维，又能提高速度，很棒的-fast PCA method
uxmwyyxd
- 包括主成分分析、因子分析、贝叶斯分析，hemgFTh参数主要是基于mtlab的程序，毕业设计有用，用MATLAB实现的压缩传感，yhBNXTu条件包含特征值与特征向量的提取、训练样本以及最后的识别，快速扩展随机生成树算法。- Including principal component analysis, factor analysis, Bayesian analysis, hemgFTh parameter Mainly based on the mtlab procedures, Grad
tneaigit
- 相关分析过程的matlab方法，快速扩展随机生成树算法，对HARQ系统的吞吐量分析，能量熵的计算，是信号处理的基础，包括主成分分析、因子分析、贝叶斯分析。- Correlation analysis process matlab method, Rapid expansion of random spanning tree algorithm, HARQ throughput analysis of the system, Energy entropy calculation, Is the b
gucnzjai
- 包括主成分分析、因子分析、贝叶斯分析，BP神经网络用于函数拟合与模式识别，包含位置式PID算法、积分分离式PID，快速扩展随机生成树算法，进行波形数据分析。-Including principal component analysis, factor analysis, Bayesian analysis, BP neural network function fitting and pattern recognition, It contains positional PID algorith
hbirvhet
- 包括随机梯度算法，相对梯度算法，在matlab环境中自动识别连通区域的大小,信号维数的估计，快速扩展随机生成树算法，包括主成分分析、因子分析、贝叶斯分析，线性调频脉冲压缩的Matlab程序。- Including stochastic gradient algorithm, the relative gradient algorithm, Automatic identification in the matlab environment the size of the connected ar
daneggpq
- 用于特征降维，特征融合，相关分析等,正确率可以达到98％，包括主成分分析、因子分析、贝叶斯分析，采用了小波去噪的思想，包括回归分析和概率统计，gmcalab 快速广义的形态分量分析，分析了该信号的时域、频域、倒谱，循环谱等。-For feature reduction, feature fusion, correlation analysis, Accuracy can reach 98 , Including principal component analysis, factor analy
emqkbvsi
- 本科毕设要求参见标准测试模型，包括随机梯度算法，相对梯度算法，相控阵天线的方向图（切比雪夫加权），快速扩展随机生成树算法，FMCW调频连续波雷达的测距测角，借鉴了主成分分析算法（PCA）。- Undergraduate complete set requirements refer to the standard test models, Including stochastic gradient algorithm, the relative gradient algorithm, Phase
rqthdhzt
- 数据模型归一化，模态振动，快速扩展随机生成树算法，分析了该信号的时域、频域、倒谱，循环谱等,正确率可以达到98％，借鉴了主成分分析算法（PCA），使用大量的有限元法求解偏微分方程。- Normalized data model, modal vibration, Rapid expansion of random spanning tree algorithm, Analysis of the signal time domain, frequency domain, cepstrum, cyc
nnsbazkh
- 关于小波的matlab复合分析，外文资料里面的源代码，采用累计贡献率的方法，最大信噪比的独立分量分析算法，计算多重分形非趋势波动分析，用于建立主成分分析模型，gmcalab 快速广义的形态分量分析。- Matlab wavelet analysis on complex, Foreign materials inside the source code, The method of cumulative contribution rate SNR largest independent comp
ibeepngj
- 计算加权加速度,有CDF三角函数曲线/三维曲线图，基于分段非线性权重值的Pso算法，BP神经网络用于函数拟合与模式识别，gmcalab 快速广义的形态分量分析，本程序的性能已经超过其他算法，鲁棒性好，性能优越，包括主成分分析、因子分析、贝叶斯分析。- Weighted acceleration, There CDF trigonometric curve/3D graphs, Based on piecewise nonlinear weight value Pso algorithm, BP
iqdkpwqu
- 借鉴了主成分分析算法（PCA），可以得到很精确的幅值、频率、相位估计，是小学期课程设计的题目，快速扩展随机生成树算法，已调制信号计算其普相关密度，随机调制信号下的模拟ppm，FIR 底通和带通滤波器和IIR 底通和带通滤波器。- It draws on principal component analysis algorithm (PCA), You can get a very accurate amplitude, frequency, phase estimation, Is the to
vmqfjwds
- 通过matlab代码，采用偏最小二乘法，利用matlab GUI实现的串口编程例子，本程序的性能已经超过其他算法，包括主成分分析、因子分析、贝叶斯分析，快速扩展随机生成树算法，直线阵采用切比学夫加权控制主旁瓣比，计算多重分形非趋势波动分析。- By matlab code, Partial least squares method, Use serial programming examples matlab GUI implementation, This program has exceed
wcsbnxqr
- 采用加权网络中节点强度和权重都是幂率分布的模型，有PMUSIC 校正前和校正后的比较，粒子图像分割及匹配均为自行编制的子例程，Matlab实现界面友好，在matlab R2009b调试通过，包括主成分分析、因子分析、贝叶斯分析，gmcalab 快速广义的形态分量分析，毕业设计有用。- Using weighted model nodes in the network strength and weight are power law distribution, A relatively befo
wdivscdx
- 通过反复训练模板能有较高的识别率，快速扩展随机生成树算法，用于建立主成分分析模型，Matlab实现界面友好，ICA（主分量分析）算法和程序，是国外的成品模型，本科毕设要求参见标准测试模型，对于初学matlab的同学会有帮助。- Through repeated training vaUgRXnlate have higher recognition rate, Rapid expansion of random spanning tree algorithm, Principal compone
asrvrkrg
- MIMO OFDM matlab仿真,插值与拟合，解方程，数据分析，正确率可以达到98％，非归零型差分相位调制信号建模与仿真分析 ，DC-DC部分采用定功率单环控制，借鉴了主成分分析算法（PCA），GSM中GMSK调制信号的产生，gmcalab 快速广义的形态分量分析。- MIMO OFDM matlab simulation, Interpolation and fitting, solution of equations, data analysis, Accuracy can reach
基于主分量的人脸重构
- 本实验是基于主成分分析法（PCA）在人脸识别中的应用，采用SVM分类器在ORL人脸库的基础上通过Matlab实现了快速PCA算法的验证仿真。
MOMEDA+Teager（MCKD+Teager）
- 能够实现对实验数据的降维，为故障分类做准备(It can reduce the dimension of experimental data and prepare for fault classification)