搜索资源列表
SVMclassifier
- SVM分类器，用于对多维采样点进行分类。可根据类别数修改分类器，我们的模式识别作业。-SVM classifier, multi-dimensional sampling points used for classification. Can be modified according to the number of classification categories, and our pattern recognition operation.
PNN
- pnn分类器算法，用MATLAB源码，可以进行分类。-pnn classifier algorithm, using MATLAB source code can be classified.
PNNpredict19
- 概率神经网络 分类预测 基于PNN变压器故障 诊断-Probabilistic neural network classifier prediction Transformer Fault Diagnosis Based on PNN
DNAClassification
- 该压缩包包含了pnn等分类器的源程序，用C++实现-The archive contains the source pnn other classifier, using C++,
classify_toolbox
- 各种分类算法，包括KNN，PNN，bayes_classifier等等。-various classifier
PNN网络代码
- 概率神经网络(Probabilistic Neural Network)是由D.F.Speeht博士在1989年首先提出，是径向基网络的一个分支，属于前馈网络的一种。它具有如下优点：学习过程简单、训练速度快；分类更准确，容错性好等。从本质上说，它属于一种有监督的网络分类器，基于贝叶斯最小风险准则。(Probabilistic neural network was first proposed by Dr. D.F.Speeht in 1989. It is a branch of radial
libsvm-3.1-[FarutoUltimate3.1Mcode]
- 态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于
libsvm-3.17
- 为了真实有效地提取网络安全态势要素信息，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中，根据Agent节点功能的不同，划分为不同的层次。利用主成分分析(Principal Component Analysis, PCA)对训练样本属性进行约简并对特殊属性编码融合处理，按照处理结果改进概率神经网络(Probabilistic Neural Network, PNN)结构，以降低系统复杂度。然后以改进的PNN作为基分类器，结合自适应增强算法，通过基分类器反
PNN
- 概率神经网络(Probabilistic Neural Network)是由D.F.Speeht博士在1989年首先提出，是径向基网络的一个分支，属于前馈网络的一种。它具有如下优点：学习过程简单、训练速度快；分类更准确，容错性好等。从本质上说，它属于一种有监督的网络分类器，基于贝叶斯最小风险准则。(The rate neural network, first proposed in 1989, is a branch of the RBF network and is one of the fe