搜索资源列表
-
0下载：
Mean Shift 这个概念最早是由Fukunaga等人[1]于1975年在一篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.
用matlab实现mean shif
-
-
9下载：
该算法是经典的信噪比估计算法——最大似然估计算法，利用接收信道的先验概率密度函数，ML法能够很好的估计信号的信噪比,The algorithm is a classic signal to noise ratio estimation algorithm- maximum likelihood estimation algorithm, using the a priori receiver channel probability density function, ML method can
-
-
0下载：
是有关机器学习中讲密度估计的好资料，自己找了很久才找到的，国外人写的很容易懂，乐意分享-Machine learning is related to good information about density estimation, for a long time to find your own, and foreign people to write easy to understand, are willing to share
-
-
0下载：
利用parzen窗进行概率密度函数估计，并给出仿真，程序简单易懂。-Using parzen Window probability density function estimation and the simulation, the program is simple to understand.
-
-
5下载：
二维数据集Parzen方窗非参数估计PDF(概率密度函数)，三维结果显示，有图，有完整说明文档和程序运行说明，matlab编程环境，此为模式识别小作业 parzen-Dimensional data set Parzen Window non-parametric estimation side PDF (probability density function), three-dimensional results show that map, with complete documentat
-
-
4下载：
以为高斯和密度估计，使用高斯核的非参数密度估计方法，对样本进行概率密度估计，程序中给出了窗宽的估算公式。-That the Gaussian and density estimation, using Gaussian kernel non-parametric density estimation method, the sample probability density estimates, the program gives the formula for bandwidth estim
-
-
3下载：
利用正态分布和核密度估计计算分位数。包括正态分布分位数函数、核估计概率密度函数、核估计累计分布概率函数、核估计计算分位数函数。-Normal and kernel density estimation using sub-digit calculation. Including the normal quantile function, kernel estimate probability density function, cumulative distribution probabilit
-
-
1下载：
利用支持向量回归进行概率密度估计，从而计算信息熵-The use of support vector regression for probability density estimation, in order to estimate the information entropy
-
-
0下载：
DGGBETA针对广义高斯，GGDEMO，，GGD中BETA估计，广义高斯参数估计，概率密度，-DGGBETA for Generalized Gaussian, GGDEMO,, GGD in BETA estimated generalized Gaussian parameter estimation, probability density,
-
-
0下载：
采用身高和体重数据作为特征，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则.-Height and weight data used as the feature, under the assumption of normal distribution probability density estimation, establish Bayes minimum error rate classifier, written by the decision-mak
-
-
1下载：
该程序源码中包括了各种典型分布的二维数据的自动生成，二维概率密度函数的极大似然估计和窗函数估计，bayes分类器的设计和分类器错误率的多种方法估计-The program includes a variety of typical source distribution of the automatic generation of two-dimensional data, two-dimensional probability density function of the maximum l
-
-
0下载：
用监督参数估计中的贝叶斯方法估计条件概率密度的参数u-With the supervision of the Bayesian estimation method to estimate the parameters of the conditional probability density of u
-
-
0下载：
本实验的目的是考虑不同维数下的高斯概率密度模型，用最大似然估计方法对其参数进行估计，了解最大似然估计方法。-The purpose of this study is to consider different dimensions of the Gaussian probability density model, using the maximum likelihood method to estimate its parameters to find maximum likelihood e
-
-
0下载：
kernal density function for image processing and probability density function estimation
-
-
3下载：
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
-
-
0下载：
基于非参数概率密度估计的盲源分离算法（NpICA），使用matlab编程，有可视界面。-Non-parametric probability density estimation-based blind source separation algorithm (NpICA), using the Matlab programming, visual interface.
-
-
0下载：
核概率密度估计算法，对于以往的有优化，可以得到概率密度及分布函数。-Nuclear probability density estimation algorithm optimized for the past there, you can get the probability density and distribution functions.
-
-
0下载：
本程序仿真了高斯噪声的几种概率密度估计方法-This procedure simulated several Gaussian noise probability density estimation method
-
-
1下载：
给定若干三维数据，建立训练概率模型，并对新数据进行估计。包括高斯模型、Parzen窗和K近邻密度估计-Given a number of three-dimensional data, the establishment of training probability model, and the new data is estimated. Including the Gaussian model, Parzen windows and K nearest neighbor density e
-
-
1下载：
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
-
