搜索资源列表
KL变换
- KL变换模式识别作业三 一、编程要求： 编程实现KL变换，并对TM六波段图像进行演算。 KL变换的思想是：从n维特征选取m维特征，删去的n-m维特征不一定就是无用的信息，如何在信息损失最小的情况下选取特征，在理论上就显得更严密些。通常采用正交变换，得到新的经变换的模式， 以保证信息损失最小情况下获得有利于分类的特征。 二、编程思想： 将6副图象依次输入获得灰度值存在一个6*size(size为一副图象的像素数)的二维数组中，计算每个波段的灰度均值，然后计算协方差矩阵，得出特征值
PCA_for_3_component_compound
- 该程序旨在模拟处理分析多种化学物质混合物的吸收光谱数据，提取出各个化学成分的峰值所在。该程序采用svd方法对光谱数据的协方差矩阵进行PCA分析，并且取得令人满意的效果。-The program designed to simulate the processing and analysis of multiple chemical mixtures of the absorption spectra of the data, extracting the chemical composition
Q1
- 2类分类高斯模型 每个类是由一个单一的多元高斯分布的3-D建模 显示如何估计高斯均值向量和协方差矩阵的最大似然（ML）估计的基础上为每个类。 meanA和meanB代表每个类的均值，varA和varB的的代表每个类的协方差矩阵.-2-class classifier with Gaussian Models Each class is modelled by a single 3-D multivariate Gaussian distribution Show
9-10
- 不同方法估计协方差矩阵的Capon波束形成,以及多点约束的Capon波束形成和方向图，自己运行效果很好。-Different methods of estimation covariance matrix Capon beamforming, and multi-point constraints Capon beamforming and direction maps, run their own good results.
machine-learning_PCA
- 环境为winpython 32bit 2.7.5.3 p = PCA() print u"均值化后的数据集为：",p.dataset( H:\\PCA_test.txt ) print u"协方差矩阵为：",p.COV() print u"特征向量为：",p.eig_vector()[1] tt = p.pc(dim=1) print "tt:",tt print u"新的维度数据集",tt[1]- """ Principal c
covcalculator
- 局部Log.Euclidean协方差矩阵描述子 L2ECM SPD矩阵的空间并不是一个向量空间,而是一个黎曼流形。因此,传统 欧氏空间内的运算 例如欧氏距离、均值-Local Log-Euclidean Covariance Matrix (L2ECM) Local Log-Euclidean Covariance Matrix (L2ECM) to represent neighboring image properties by capturing cor- relation of vari
covs
- 局部Log.Euclidean协方差矩阵描述子 L2ECM SPD矩阵的空间并不是一个向量空间,而是一个黎曼流形。因此,传统 欧氏空间内的运算 例如欧氏距离、均值- Local Log-Euclidean Covariance Matrix (L2ECM) to represent neighboring image properties by capturing cor- relation of various image
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate