搜索资源列表
knn
- 基于KNN算法的鸢尾花分类代码，可一直在matlab上运行。-Iris classification code based on the KNN algorithm, has been running in matlab.
hua2
- 对150种鸢尾花数据进行分类的matlab代码-150 species of iris data to classify the matlab code
ELM代码
- 为了评价ELM的性能，试分别将ELM应用于基于近红外光谱的汽油辛烷值测定和鸢尾花种类识别两个问题中,并将其结果与传统前馈网络(BP、RBF、PNN、GRNN等)的性能和运行速度进行比较,并探讨隐含层神经元个数对ELM性能的影响。(n order to evaluate the performance of ELM, test the application of ELM in the near infrared spectroscopy
BP神经网络-鸢尾花分类代码+文档
- BP神经网络-鸢尾花分类代码+文档，可以直接运行(BP neural network - iris code + document, can run directly)
5.0BP神经网络（含代码）
- Python神经网络学习从鸢尾花数据集开始(Python neural network learning)
MLP_iris
- 一个简单的多层感知器实现鸢尾花数据的分类的代码(use mlp to realize the classification of Iris dataset)
分类器评估及交叉验证_代码
- 内有鸢尾花数据的5折交叉验证实验代码，采用的分类器是贝叶斯分类器。(There is a 5-fold cross-validation experiment code for the iris data, and the classifier used is a Bayesian classifier.)
iris
- 文件包含鸢尾花csv数据集以及鸢尾花项目代码的py文件以及txt文件(The file contains the iris CSV dataset and the PY file and the txt file of the iris project code.)
RBF、GRNN和PNN神经网络案例
- 能够实现RBF,GRNN和PNN神经网络的案例，一个是RBF-近红外光谱汽油辛烷值预测，GRNN，PNN-鸢尾花种类识别。代码和数据均有，直接可以拿来使用。(These are cases of RBF, GRNN and PNN neural networks can be realized. One is RBF-NIR spectroscopy gasoline octane prediction, GRNN, PNN-Iris
图像文字识别与分类例子，包括特征提取，倒谱系数等计算步骤
- 以下是例子说明，代码比较详细 通过鸢尾花各特征与类别间数据提琴图，可以观察四个特 征中的每一个特征与三个类别间数据范围的对应关系。各图 中提琴部分越宽，说明对应位置大小的数据越多，反之越少。 从图中可见，鸢尾花的花瓣特征（第 3、4 个特征）相比于花 萼特征（第 1、2 个特征）能更好地区分鸢尾花所对应的种类