搜索资源列表
cdhmm
- 用Matlab开发的基于HMM的语音识别系统-Developed using Matlab-based HMM speech recognition system
libsvm-mat-2.9-1
- SVM的VC程序，有matlab接口，便于调用，还有例子，用于模式识别，分类，预测。-SVM, VC procedures, matlab interface, easy call, as well as an example, for pattern recognition, classification and prediction
Bayesian_Classification
- 使用高斯模型对威斯康辛州大学医学院长期乳腺癌数据进行了贝叶斯模式识别。识别率为95以上，可以作为模式识别的重要案例。-Gaussian model using the University of Wisconsin School of Medicine conducted a long-term breast cancer data Bayesian pattern recognition. Recognition rate is above 95 can be regarded as an i
VoiceRecognitionProject
- mat lab voice recognition project
CODE
- 1.GeometricContext文件是完成图片中几何方向目标分类。 参考文献《Automatic Photo Pop-up》Hoiem 2005 2 GrabCut文件是完成图像中目标交互式分割 参考文献《“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts》 C. Rother 2004 3 HOG文件是自己编写的根据HOG特征检测行人的matlab代码 4 虹膜识别程序
PCA
- 模式识别作业-完全自编仿真程序。先用PCA对IRIS数据集进行降维，然后用最小错误法对降维的数据进行分类。压缩包中既包括matlab源代码，又有自己写的报告，还有.MAT格式的IRIS数据集用作程序调用。程序有详细注释，很容易懂。最后结果输出到txt文件中。-Pattern recognition operations- completely self simulation program. First on the IRIS data set with PCA dimension reduct
ANN
- classes.mat和classes.mat中存放10个对象人脸的20个7阶不变矩特征，TargetTest.m是构造神经网络对人脸进行识别，再利用DS证据理论进行融合识别-Nerual Network and Fusion Recognition
Mat
- face recognition with pca-lda and orl database
libsvm-mat-2.89
- svm（支持向量机）工具箱，用于svm预测，模式识别，故障诊断.-svm (support vector machine) toolbox for svm prediction, pattern recognition, fault diagnosis.
libsvm-mat-2.89-3[Mcode]
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。-LIBSVM is a simple, easy to use and fast and efficient SVM pattern recognition and regression package Taiwan University Linzhiren (Lin Chih-Jen) and associate development and design.
libsvm-mat-3.0-1
- LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，可在matlab中快速调用-LIBSVM is a simple, easy to use and fast and efficient SVM pattern recognition and regression package Taiwan University Chih- Jen Lin (Lin Chih-Jen) Prof. development an
data_batch_2
- cifar-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但一些训练批次可能包含来自一个类别的图像比另一个更多。总体来说，五个训练集之和包含来自每个类的正好5000张图像。 具体：batch2.mat文件，该训练集可以用于图片识别，非负矩阵分解等。(The ci