当前位置：
首页 资源下载
搜索资源 - FEATURE EXTRACTION svd
搜索资源列表
-
2下载：
（matlab）svd用于人脸识别的特征提取程序-(Matlab) svd for face recognition feature extraction process
-
-
0下载：
采用SVD方法进行人脸特征提取,希望对大家有用-SVD method using facial feature extraction, in the hope that useful to everybody
-
-
0下载：
利用MATLAB 实现SVD特征提取和人脸重构-Use MATLAB to achieve SVD Face Feature Extraction and Reconstruction
-
-
1下载：
《Visual C++数字图像获取、处理及实践应用》杨枝灵、王开等编著。内容：第4章 图像增强（对比度增强、灰度变换法、直方图修整法、图像平滑、图像锐化、伪彩色和假彩色增强）；第5章 图像复原（逆滤波复原、维纳滤波方法）；第6章 图像处理中的正交变换（傅立叶变换、离散余弦变换（DCT）、沃尔什变换、基于特征向量的变换、霍特林（Hotelling）变换、SVD变换、小波变换、Mallat算法）；第7章 图像压缩编码（霍夫曼（Huffman）编码、算术编码、游程编码（Run Length Codin
-
-
0下载：
svd feature extraction
-
-
0下载：
svd with LDA face recognition feature extraction
-
-
0下载：
基于EMD-ARmodel和支持向量基的非线性振动信号的文章，学习非线性的同学可以看下，外文的来自I-Feature Extraction & Application of Engineering Non-stationary Signals
Based on EMD-AR Model and SVD
-
-
0下载：
提出了将信号进行相空间重构后再采用奇异值分解, 对分解后的主成分进行包络分析, 从而提取信号的隐含特
征的方法, 并将该方法应用于齿轮的局部故障振动特征信号的提取中。数值仿真实验结果表明, 该方法能有效提取强背景
信号及噪声中的弱冲击特征信号, 是一种有效的弱信号特征提取方法。采用该方法对齿轮振动信号进行故障特征提取与识
别, 结果与实际情况相符。-Signal implicit characteristic of phase space reconstruction, and th
-
-
0下载：
VC++图像处理及源码包（大全）包括下列内容：1.数字图像获取，处理及实践应用电子书 2.数字图像获取，处理及实践应用电子书分章节源码 3.书中提及的各种算法的综合源码。压缩包里面包括的算法代码有：分章节源码内容：内容：对比度增强、灰度变换法、直方图修整法、图像平滑、图像锐化、伪彩色和假彩色增强；逆滤波复原、维纳滤波方法；傅立叶变换、离散余弦变换（DCT）、沃尔什变换、基于特征向量的变换、霍特林（Hotelling）变换、SVD变换、小波变换、Mallat算法；霍夫曼（Huffman）编码、算术
-
-
0下载：
采用SVD方法进行人脸特征提取，效果非常的不错，放心下载-SVD method using facial feature extraction, the effect is very good, rest assured Download
-
-
0下载：
利用一个小样本人脸样本库创建数据库ar_test.mat中的训练样本数据和待测样本数据将生产的数据库文件.mat利用FDDL程序进行测试，分类；在程序最后先利用最短距离测试提取特征的效果本文利用SVD分解，并提取了每一幅图像的前3列特征向量（前三个主成分），共计3*200个特征向量，构成一个训练样本列元素最后的简单分类测试效果在90 ，区分度较好，能够适用于其他分类器实验..后续中，选取了第一主成分，发现识别率达到100 ；选取了前33个，反而低于了90 ，不知如何解释？-Using a sma
-
-
0下载：
Linux系统下的SVD方法。应用协同过滤方法实现SVD特征的提取。完成推荐系统的描述。-SVD method Linux system. Collaborative filtering method applied to achieve SVD feature extraction. Complete descr iption of the recommended system.
-
-
0下载：
SVD进行特征脸提取，和PCA类似，选取前30个特征脸，并且将它显示这30个特征脸-SVD face feature extraction, and PCA is similar to the first 30 eigenfaces, and will it show that 30 eigenface
-
-
0下载：
Randomized Dimensionality Reduction for k-means
Clustering
This paper makes further progress towards a better understanding of dimensionality reduction for kmeans
clustering. Namely, we present the first provably accurate feature selection met
-
