搜索资源列表
图像识别中常用的降维的PCA方法
- pca
neuralnetwork
- 用于图像识别的新型神经元网络 提出了一种用于图像识别的映封正交神经元网络。 在一般情况下待识别的样本空间的维数相当大, 为了有效地进行识别,必须把样本空间的维数降下来。目前常用的方法就是特征提取法,本文采用映射正交过程把样本空间映射成正交分类空间,并在此基础上,采用网络进行图像分类。计算机上模拟结果表明此网络县有时缺损和噪声图像进行正确识别的能力-Image recognition for a new type of neu
PCA
- 主成份分析，一个最经典的无监督学习算法，也是最常用的线性降维方法-PCA
mani
- 一个集成了8种降维方法的GUI（包括常见的PCA、LLE、isomap、HLLE等线性与非线性将为方法）-An integrated eight kinds of dimensionality reduction methods GUI (including common PCA, LLE, isomap, HLLE, etc. will be linear and nonlinear methods)
1
- 基于WEKA平台的文本聚类研究与实现 文本聚类是文本挖掘领域的一个重要研究分支，是聚类方法在文本处理领域的应用。本文对基于空间向量模型的文本聚类过程做了较深入的讨论和总结，利用文本语料库，基于数据挖掘工具研究并实现了文本聚类的过程。本文首先给出了文本聚类的思想和过程，回顾了文本聚类领域的已有成果，列举了文本聚类领域在特征表示、特征提取等方面的基础研究工作。另外，本文回顾了现有的文本聚类算法，以及常用的文本聚类效果评价指标。在研究了已
features-dimensionality-reduction
- 特征降维方法，其中包含有典型的特征组合方式——PCA和特征选择中的SFFS，SBS，SFS。共四类常用的特征降维方式。-different features dimensionality reduction methods.
pca
- 主成分分析（Principal Copmponent Analysis，简称PCA）是一种常用的机遇变量协方差矩阵对信息进行处理、压缩和提取的有效方法。主成分分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，能够发掘出隐藏在复杂数据背后的简单结构。-PCA (Principal Copmponent Analysis, abbreviated PCA) is a commonly used
drtoolbox
- 国外的牛人写的软件，数据降维工具箱，包含了几十种常用的流形学习方法的源码，自带图形界面。-A foreign master write this dimension reduction toolbox,there s dozens of code of common manifold learning methods.
drtoolbox
- 一个关于降维方法的matlab工具包，包含25种常用降维技术的源码-A matlab toolkit on dimensionality reduction method，containing 25 commonly used source dimension reduction techniques
drtoolbox
- 这是一款比较全面的语音特征降维工具箱，包含了目前常用的34种语音特征降维方法的matlab程序(This is a comprehensive speech feature reduction tool kit, including the current use of 34 phonetic feature reduction methods in matlab program)
PCA
- 高光谱遥感与传统的单波段、多光谱数据相比，波段量大量增加、波段宽度极大降低，对地面目标的光谱特性的测度更加细致，然而波段的增多必然导致数据量急剧增加、计算量增大、信息冗余增加以及统计参数的估计偏差增大。因此，对高光谱数据进行降维处理具有重要意义。一方面，降维能够使图像远离噪声，提高图像数据质量；另一方面，能够去除图像中的无价值波段，减少波段数，从而降低计算量，提高运算效率。主成分分析是常用的高光谱数据降维处理方法之一。(Compared