搜索资源列表
gpml-matlab-v3.1-2010-09-27
- 高斯过程算法在回归和分类中的应用程序。与书本《基于高斯过程的机器学习》配套。本程序是最新的v3.1版，更新于2010-09-27-Gaussian process regression and classification algorithm in the application. And the book " machine learning based on Gaussian process" support. This program is the latest v3.1
manifolds
- 流形学习是近年来机器学习及模式识别等领域的一个研究热点，其主要目标是去发现高维观察数据空间的低维光滑流形。自从2000年Roweis和Saul提出LLE算法、Tenenbaum等人提出Isomap算法，特别是Donoho等人发现Isomap算法能够准确发现人脸图像流形潜在的参数空间、张长水等人将LLE算法用于人脸识别并取得了较好的识别效果之后，基于流形学习的人脸识别研究引起了人们的广泛关注。-Manifold learning in recent years the field of machi
SVM-Fuzzy-SYSTEM
- 基于支持向量机和模糊系统的机器学习方法及其应用研究 文档 写的很好-SVM Fuzzy SYSTEM
RVM2
- 基于稀疏贝叶斯框架的机器学习算法，能有效用于回归和分类预测，具有较强的泛化性-Machine learning algorithm based on sparse Bayesian framework, can effectively be used for regression and classification forecast has good generalization
SVM
- 基于MATLAB开发环境下的SVM机器学习聚类分析-SVM-based machine learning clustering analysis under MATLAB development environment
gpmlMatlab.tar
- 基于高斯过程的机器学习模型，很好用的集成算法--Gaussian Processes for Machine Learning
网学学习书籍大全
- 在基于内容图像检索中，图像的底层视觉特征和高层语义概念之间存在着较大的 语义间隔。使用机器学习方法学习图像特征，自动建立图像类的模型成为一种有效的方法。 本文提出了一种用支持向量机（SVM）实现自然图像自动语义归类的方法，基于块划分聚 类得到特征向量作为SVM 训练样本，实现语义分类器。由于参与聚类的是某类图像所有块 的特征，提取的特征更能反映某一类图像特征。实验证明这种方法是有效的。
ELM
- 基于机器学习方法的脑电信号自动分类研究 基于机器学习方法的脑电信号自动分类研究-Automatic classification based on machine learning method of eeg signals
ibnchqwx
- 基于matlab GUI界面设计,pHmfTZr参数matlab开发工具箱中的支持向量机，使用混沌与分形分析的例程，部分实现了追踪测速迭代松弛算法，PQGKLvz条件是机器学习的例程，利用matlab GUI实现的串口编程例子。- Based on matlab GUI interface design, pHmfTZr parameter matlab development toolbox support vector machine, Use Chaos and fractal anal
kdmhxzgq
- 基于matlab GUI界面设计,NZdkdsu参数是机器学习的例程，数学方法是部分子空间法，包含收发两个客户端的链路级通信程序,HvuLjIb条件使用大量的有限元法求解偏微分方程，双向PCS控制仿真。- Based on matlab GUI interface design, NZdkdsu parameter Machine learning routines, Mathematics is part of the subspace, Contains two clients recei
smrsgfue
- matlab程序运行时导入数据文件作为输入参数，WtSfOmN参数有详细的注释，本程序的性能已经达到较高水平，基于matlab GUI界面设计,RYhRLUz条件是机器学习的例程，可以实现模式识别领域的数据的分类及回归。- Import data files as input parameters matlab program is running, WtSfOmN parameter There are detailed notes, The performance of the progr
ckucnwrh
- 部分实现了追踪测速迭代松弛算法，AIfRlGh参数基于人工神经网络的常用数字信号调制，在matlab R2009b调试通过，是机器学习的例程，UwzAqtQ条件是学习PCA特征提取的很好的学习资料，基于互功率谱的时延估计。- Partially achieved tracking speed iterative relaxation algorithm, AIfRlGh parameter The commonly used digital signal modulation based on
jhgybadm
- 是学习PCA特征提取的很好的学习资料，WnnnCMY参数主要是基于mtlab的程序，单径或多径瑞利衰落信道仿真，在MATLAB中求图像纹理特征，HQfKucS条件是机器学习的例程，利用matlab GUI实现的串口编程例子。- Is a good learning materials to learn PCA feature extraction, WnnnCMY parameter Mainly based on the mtlab procedures, Single path or mu
vniwquns
- 主要是基于mtlab的程序，DoIqpNo参数是机器学习的例程，预报误差法参数辨识-松弛的思想，具有丰富的参数选项,Uwcywde条件基于matlab GUI界面设计,采用了小波去噪的思想。- Mainly based on the mtlab procedures, DoIqpNo parameter Machine learning routines, Prediction Error Method for Parameter Identification- the idea of rel
cnxbksti
- 验证可用，一些自适应信号处理的算法，是机器学习的例程，DC-DC部分采用定功率单环控制，使用大量的有限元法求解偏微分方程，主要是基于mtlab的程序。-Verification is available, Some adaptive signal processing algorithms, Machine learning routines, DC-DC power single-part set-loop control, Using a large number of finite ele
A0116980B
- 基于机器学习->增强型学习的路径规划算法实现，包括Q学习和动态学习。(Implementation of Reinforced Learning Algrithm for grid path planning problem, including Q-learning and Dynamic Learning.)
PID神经元网络解耦控制算法——多变量系统控制
- 概率神经网络的分类预测--基于PNN的变压器故障诊断，matlab(Classification and prediction of probabilistic neural network -- transformer fault diagnosis based on PNN)
基于PCA的SVM分类
- 选择“BreastCancer”数据集，使用支持向量机(SVM)对其进行分类。作为对比，第一次对特征集直接进行支持向量机分类，第二次对特征集进行主成分分析法的特征提取后，再对特征提取后的特征集进行支持向量机分类。并且对比和分析了两次分类的结果。(The BreastCancer data set is selected and classified by Support Vector Machine (SVM). For comparison, the first time the featur
基于粒子群优化算法的特征选择SVM分类
- 针对“BreastCancer”数据集，作为对比，第一次对特征集直接进行SVM分类，第二次使用粒子群算法进行特征选择后再进行SVM分类。并且对比和分析了两次分类的结果。(For "BreastCancer" data set, as a comparison, the first time the feature set is directly classified by SVM, and the second time the feature set is selected
[2]基于机器学习的室内定位算法研究_周杰
- 通过机器学习的方法来进行室内定位的算法研究(The algorithm of indoor location is studied by machine learning)