搜索资源列表
自组织系统Kohonen网络模型源程序
- 自组织系统Kohonen网络模型。对于Kohonen神经网络，竞争是这样进行的：对于“赢”的那个神经元c，在其周围Nc的区域内神经元在不同程度上得到兴奋，而在Nc以外的神经元都被抑制。网络的学习过程就是网络的连接权根据训练样本进行自适应、自组织的过程，经过一定次数的训练以后，网络能够把拓扑意义下相似的输入样本映射到相近的输出节点上。网络能够实现从输入到输出的非线性降维映射结构：它是受视网膜皮层的生物功能的启发而提出的。~..~-Koho
几种语音识别算法的比较
- 几种小训练样品集的数字语音识别模型的比较性研究
BP网络
- 这是我参考了n(n>=5,^_^)篇BP神经网优化方法的论文写出的BP神经网源代码，使用了批处理训练方法，带动量项、学习速率的自适应调整、仅对学习精度没有达到指定要求的模式训练，并且训练精度逐步加大，通过这种方法，极大地加快了训练速度；另外，对于0模式和1模式数目相差很大(5-6倍)都能达到很高的学习精度。-This is my reference to the n (NGT; Chapter 5 = ,^_^) BP neura
自组织系统Kohonen网络模型源程序
- 自组织系统Kohonen网络模型。对于Kohonen神经网络，竞争是这样进行的：对于“赢”的那个神经元c，在其周围Nc的区域内神经元在不同程度上得到兴奋，而在Nc以外的神经元都被抑制。网络的学习过程就是网络的连接权根据训练样本进行自适应、自组织的过程，经过一定次数的训练以后，网络能够把拓扑意义下相似的输入样本映射到相近的输出节点上。网络能够实现从输入到输出的非线性降维映射结构：它是受视网膜皮层的生物功能的启发而提出的。~..~-Koho
fmap1
- matlab编写的训练som自组织特征映射神经网络的源代码。-Matlab prepared by the training som self-organizing feature map neural network source.
Volterrra_luzhenbo4
- 更新部分 1、自适应算法采用参考文献[2]的NLMS算法，收敛速度更快，所需训练次数更少。 2、自适应收敛步长在(0,2)之间存在较优取值，Lorenz序列为0.6。-update an adaptive algorithm reference [2] NLMS algorithm, convergence faster, less the number of required training. 2, adaptive ste
voice464
- 基于dtw算法的语音识别 1 ENfr a me.M和MELBANKM.M取自voicebox工具箱 2 vad.m实现端点检测 3 mfcc.m计算mfcc参数 4 dtw.m实现DTW算法[训练] dtw2.m实现DTW高效算法 5 testdtw.m测试程序-based speech recognition algorithm and a ENfr a me.M MELBANKM.M
LMS-auto-adapter-fiter
- 考虑一个线性自适应均衡器的原理方框图如《现代数字信号处理导论》p.275自适应均衡器应用示意图。用LMS算法实现这个自适应均衡器，画出一次实验的误差平方的收敛曲线，给出最后设计滤波器系数。一次实验的训练序列长度为500。进行20次独立实验，画出误差平方的收敛曲线。给出3个步长值的比较。-consider a linear adaptive equalizer block diagram as the principle of "
RLS-auto-adapter-fiter
- 考虑一个线性自适应均衡器的原理方框图如《现代数字信号处理导论》p.275自适应均衡器应用示意图。用LMS算法实现这个自适应均衡器，画出一次实验的误差平方的收敛曲线，给出最后设计滤波器系数。一次实验的训练序列长度为500。进行20次独立实验，画出误差平方的收敛曲线。给出3个步长值的比较。-consider a linear adaptive equalizer block diagram as the principle of "
BPexample
- 开发环境:Matlab 简要说明:动量-自适应学习调整算法。在实际应用中，原始的BP算法很难胜任，因此出现了很多的改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法，另一种则是采用更有效的优化算法。本例采用动量BP算法，来实现对网络的训练过程，动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小。-development environment : Matlab Brief Descr iption
guideofopencvharrt
- 用opencv自带的训练器训练各种分类器的指导手册，内含正负例的搜集，训练和检测说明-opencv used for the training, bringing their training for the various classifications instruction manual containing positive and negative cases of collecting, Training and testi
wavenetwork
- 小波神经网络程序，用于小波神经网络的训练及泛化求解。-Wavelet neural network procedure for wavelet neural network for solving the training and generalization.
Adaptiveequalizer
- 在信道均衡运用中，将发送的受信道失真影响的原始信号作为自适应滤波器的输入信号，可期望信号是原始信号的时延形式，如图22（a）所示。通常情况下，输入信号的时延形式在接收端是可以得到的，采用形式是标准的训练信号。当MSE达到最小时，就表明自适应滤波器代表了信道的逆模型（均衡器）。-In the use of channel equalization, will be sent by the effects of channel distor
eqberdemo
- 无线通信中，多径信道下，为了消除码间干扰，设计的均衡器，并且是采用自适应的LMS算法，同时用训练序列，通过迭代的方式，自适应调整均衡器的各个参数。-Wireless communications, multi-path channel, in order to eliminate inter-symbol interference, the design of equalizer, and the LMS adaptive algori
adaptivefir
- 自适应滤波器。自适应滤波器为11个权系数的FIR结构。（1）不同的方差σ2（2）LMS算法画出一次实验的误差平方收敛曲线，训练长度为500，给出滤波器系数；进行20次独立实验，给出平均收敛曲线。不同步长值的比较。（3）RLS算法，LMS和RLS算法的比较 -Adaptive filter. Adaptive filter weights for 11 of the FIR structure. (1) different varia
AdaptiveequalizerofLMSalgorithmanditssimulation.ra
- 自适应均衡器的LMS算法实现及其仿真 :自适应均衡器已广泛应用于通信、雷达、声纳、控制和生物医学工程等许多领域,为克服多径衰落和信道失真 引起的码间干扰,实时跟踪移动通信信道的时变特性,笔者设计了一个基于LMS 算法的自适应线性均衡器,并通过改变步 长因子Δ来分析其收敛速度和均方误差特性.-Adaptive equalizer of LMS algorithm and its simulation
Video_semantic
- 本文提出了多个基于半监督学习的自动视频标注方法。通过对几种常见的半监督学习方法，如自训练、互训练以及Co一EM等方法的分析，针对它们(主要是自训练和互训练方法)在视频标注应用中的局限，在提高分类的准确性和模型更新等方面做了深入研究，提出了相应的改进措施。 -This paper presents a number of semi-supervised learning-based automatic video annotation
DNRBM
- 采用栈式 RBM 的深度神经网络。自训练, 自控制(This paper is a continuation of the depth of the neural network and the choice of the previous predictor. Here we will be covered by the depth of the neural network characteristic of stacked RBM
降噪自编码
- 训练降噪自编码，运用降噪自编码器完成数据的特征提取和分类，可应用于图像识别。(examinationTraining noise reduction self coding, using noise reduction self coding to complete data feature extraction and classification, can be applied to image recognition.)
自训练改进的ResNet网络
- 用自己的数据可以直接进行训练，对之前的网络进行了改进