搜索资源列表
parzen.根据样本进行概率密度函数估计
- parzen窗法，功能是根据样本进行概率密度函数估计。实现了对正态分布概率密度函数和均匀分布双峰概密函数进行估计,Parzen window method, function is based on a sample of the estimated probability density function. The realization of the normal distribution probability density function and uniform distributi
MeanShift.rar
- 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
ML.rar
- 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
Parzen-window-method
- 此为模式识别中Parzen窗法估计概率密度函数。 全部程序流程如下： 1、读取FAMALE.TXT文件把身高或体重给数组，并求x1的样本数N1和窗宽、体宽； 2、读取MALE.TXT文件把身高或体重给数组，并求x2的样本数N2和窗宽、体宽； 3、读取Test2.txt文件把对应的身高或体重给数组A并求A的样本数M； 4、利用Parzen窗法估计概率密度函数判别男女性别； 5、对本判别的错误率进行统计。 -This is the pattern recognition
Parzen
- 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.
parzen
- 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
gkdj
- 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
KsQuantile
- 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
bayes
- 采用身高和体重数据作为特征，分别假设二者相关或不相关，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，将该分类器应用到训练/测试样本，考察训练/测试错误情况。-The use of height and weight data as the characteristics of the assumption that the two were related or not related to the normal distribution probabilit
kde.tar
- kde全称是kernel density estimation.基于核函数的概率密度估计方法。是模式识别中常用的算法之一-KDE which is kernel density estimation is used to estimate probabilty function. It is mostly used in pattern recogntion
wavelet_packet_denoise
- 基于小波包分解的语音去噪，根据熵谱概率密度函数估计阈值，去除实际环境噪声。-Based on wavelet packet decomposition of the voice de-noising, in accordance with spectral entropy probability density function estimated threshold, the actual removal of environmental noise.
gg_mle
- 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,
Character-Recognition(Lib-SVM)
- 支持向量机的研究现已成为机器学习领域中的研究热点，其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，即最小化模型的结构风险，从而提高了模型的泛化能力，这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的，经过十几年的研究和发展，已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。- Support
NpIca-v1.2
- 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.
kde
- 核密度概率估计方法，对于复杂分布的概率密度估计很实用-density analysis
AWGN_Simulation
- 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
模式识别bayes实验
- 用身高和/或体重数据进行性别分类的实验 试验直接设计线性分类器的方法，与基于概率密度估计的贝叶斯分离器进行比较。 体会留一法估计错误率的方法和结果
biVarHgram.m
- biVarHgram 是Matlab程序，使用时请将文件的扩展名由.txt改为.m。 biVarHgram程序用于计算两个随机离散变量的直方图矩阵，用以估计两个变量的概率密度函数。
parzen-matlab
- pazzle 窗实现模式识别算法， parzen窗函数概率密度估计演示程序 完全按照《现代模式识别》孙即祥著作 2.4.4《动态聚类法》算法3实现 使用欧式距离作为测度标准-puzzle window to achieve pattern recognition algorithm
模式识别第一次作业
- 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