搜索资源列表
szsb
- 源代码是识别程序的， 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目尽量多。
svm-toy
- 支持向量机制。SVM分类器的重要部件。可以检测和训练样本集和
pca-svm
- 本程序用于对训练样本提取独立主元，作为样本特征，并送入SVM分类器中训练图像的预处理中不取对数，也无须做幅度归一，由ICA的应用条件决定的。预处理后的图像以向量的形式按行排列
ANewImageRetrievalMethodUsingObjectSemantics
- 为了降低图像高层语义与低层视觉特征之间的语义差异,本文以对象描述模型为基础,提出利用机器转换模型获取图像高层语义的方法。本方法首先利用图像分割技术对图像进行分割,然后利用机器学习的方法,得到训练样本集中高层语义与分割后低层视觉特征之间的先验概率关系 在查询的过程中,利用得到的先验概率模型计算与高层语义所对应的最大概率视觉低层特征,最后利用该低层特征进行检索,达到缩短高层语义与低层特征之间的语义差异的目的。在一个拥有5000 幅图像的图像
Kmean
- 利用数据挖掘知识和vb实现K-均值聚类分析，本程序提供了训练样本和测试样本， 经过训练正确率达70-76％
odwnn
- 单输入单输出函数小波网络，用户需安装matlab神经网络工具箱，用户可以根据需要更换自己的训练样本，kugfcn.m,radbasmorlet.m分别为两个小波母函数，代码中加入了最优停止训练算法，非常好用
1-DandM-DWaveletNeuralNetwork
- 我自己写的小波神经网络的Matlab程序，包含了单维的高维的两种网络模型，比较全面，而且代码中加入开发的初始化算法，使用时只需要更换训练样本就可以了。希望对论文写作有所帮助
BP(C)
- 神经网络BP算法（C程序） 文件输入输出目录为：F:\\BP 训练样本文件名：训练样本.txt 值为： 1 1 -1 1 -1 1 0 1 0 1 输出文件名为：阈值.txt 权值.txt
pca
- 基于matlab的PCA人脸识别完成程序，包含特征值与特征向量的提取、训练样本以及最后的识别检验。
JpgDll
- 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目尽量多。
recognize
- 本代码是基于神经网络的文字识别系统，目录主要包括：文档和两个源代 其中源代码是识别程序的，另一个是矩阵类库的。 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多。
szsb
- 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。首先，打开图像（256色）；再次，进行归一化处理，点击“一次性处理”；最后，点击“R”或者使用菜单找到相应项来进行识别。识别的结果显示在屏幕上，同时也输出到文件result.txt中。 该系统的识别率一般情况下为90％。
matlabtosolve
- 基于MATLAB实现的说话人识别程序，分别用bp、pnn、som、rbf、lvq等算法，对语音文件进行训练和测试，效果不错。~..~ 下面说明一下bprengong程序： 数据分别用来训练和测试两部分。 具体程序分为两部分，第一部分为：计算识别模型 变量v是mfcc处理以后的矢量。因为数据可能长短不一，所以放在同一进行截取。p的每一行代表一个语音数据（共15个）。变量Pr为每一行的最大最小值。变量T为目标值。输出神经元
DigitRecognition_VC++
- 本目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的， 书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值， 所以第一次使用识别程序时， 可以直接运行\\\\Release目录下的可执行文件， 然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络， 不过要特别注意训练样本的选择，否则可能造成识别率很低。 训练样
AI
- 简单的神经网络训练程序，可以通过增加训练样本达到更好的权值
xianghouchuanbo
- 后向传播，它通过迭代地处理一组训练样本，将每个样本的网络预测与实际知道的类标号比较，进行学习。
DigitRec
- 第一步：训练网络。使用训练样本进行训练。（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别） 第二步：识别。 首先，打开图像（256色） 再次，进行归一化处理。点击“一次性处理” 最后，点击“R”或者使用菜单找到相应项来进行识别 识别的结果显示在屏幕上，同时也输出到文件result.txt中 该系统的识别率一般为90％ 另外，也可以单独对打开的图片一步一
LDA
- 线性判别分析法（LDA），LDA以提高样本在子空间中的可分类为目标。寻找一组基向量，在这些基向量张成的子空间中，不同类别的训练样本能有最小的类内离散度，最大的类间离散度。
chap11
- 本目录主要包括：文档和两个源代码。 其中一个源代码是识别程序的，另一个是一个矩阵类库的，书里面也使用过，所以一并附上。 因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在
dulian11
- 本目录主要包括：文档和两个源代 其中源代码是识别程序的，另一个是矩阵类库的。 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多。