搜索资源列表
svcm_run
- support vector classification machine ％ soft margin ％ uses \"kernel.m\" ％ ％ xtrain: (Ltrain,N) with Ltrain: number of points N: dimension ％ ytrain: (Ltrain,1) containing class labels (-1 or +1) ％ xrun: (Lrun,
svcm_run
- support vector classification machine ％ soft margin ％ uses "kernel.m" ％ ％ xtrain: (Ltrain,N) with Ltrain: number of points N: dimension ％ ytrain: (Ltrain,1) containing class labels (-1 or +1) ％ xrun: (Lrun,N)
SVD
- SVD的应用，奇异值超平面正交投影证明 A中每个向量xi在随机阵B上的正交投影之和的最小值-Application of SVD, singular value hyperplane orthogonal projection proves A vector xi for each B in a random array of the orthogonal projection and the minimum
poly_svm
- 核函数是利用支持向量机解决不可分问题时引入的一种非线性变换的手段。基本思想是通过非线性变换，使样本变换之后的特征空间中变得线性可分。然后利用线性可分时构造最优超平面的方法，在特征空间中实现最优超平面的求解。-Kernel function is the use of support vector machine to resolve the issue can not be separated from the introduction
DataClassificationAlgorithmsBasedOnSupportVectorMa
- 本文提出了一种双SMO算法。该算法在原数据集的抽样数据集上使用SMO算法得到近似分类超平面，根据近似分类超平面得到原数据集的所有支持向量，再次使用SMO算法得到最终的分类超平面。-In this paper,double SMO which is a improved SVM training algorithm is presented.This algorithm finds a approximate separating hyp
GaHyp
- 超平面分割算法的c语言实现，没做界面，功能较全，通过演化算法进行优化-Hyperplane segmentation algorithm c-language implementation, not done interface and capabilities of a whole, through the evolutionary algorithm to optimize the
Least_Squares_optimal_affine_subspace
- 最小二乘优化算法。Matlab源码，直接可以使用。-Least Squares optimal affine subspace The zip includes: (1) lsqAffineSpace: a low level routine that takes a set of m-dimensional real sample data and returns the optimal-fit k-dimension
threshold_tr
- Training of the basic linear classifier where seperation hyperplane is perpedicular to one dimension.-TRAINING THRESHOLD CLASSIFIER
jchshibie
- 支持向量机（SVM）是一种基于超平面分类的新的学习方法，具有很强的泛化能力。研究了支持向量机的学习机理，以及实现支持向量机的序贯最小优化算法（SMO），并用来对舰船图像进行识别。首先将待识别目标进行二维小波分解，获取不同尺度下的小波系数，然后对其进行主元分析，得到的主元分量作为支持向量机的特征量输入。实验结果表明，该方法具有良好的分类性能。-Support Vector Machine (SVM) is a hyperplane-bas
svmHyperplane
- This code can be used to draw a hyperplane.
svm
- SVM方法的基本思想是：定义最优线性超平面，并把寻找最优线性超平面的算法归结为求解一个凸规划问题。进而基于Mercer核展开定理，通过非线性映射φ，把样本空间映射到一个高维乃至于无穷维的特征空间（Hilbert空间），使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题。svm 程序，即支持向量机的代码。-The basic idea of SVM method are: the definition of
threshold_tr
- Training of the basic linear classifier where seperation hyperplane is perpedicular to one dimension.
perceptron
- 感知器 算法训练二元线性分类器。结构体数据使用感知器学习规则 找到给定的二分类标签数据超平面。 -PERCEPTRON Perceptron algorithm to train binary linear classifier. Synopsis: model = perceptron(data) model = perceptron(data,options) model
mixing-matrix-estimate
- 二阶稀疏信号欠定盲分离，基于超平面法矢量的混合矩阵的估计-Second-order sparse underdetermined blind signal separation method based on hyperplane vector mixing matrix estimate
Perceptron-and-ADALINE-network
- 这些程序包括以下方面1.使用感知器和ADALINE网络对字母进行识别。2.随机选取初始权向量，选取适当的迭代步长(对ADALINE网络)，用给出的四个输入训练样本，对上述两个网络分别进行训练，直到网络收敛；3.对Adaline网络选取不同的值，分别画出误差曲线，观察它们的变化规律；4.对感知器选取不同的初始权向量，分别计算每类训练样本到超平面的距离，观察它们的异同；5.训练结束后，检验网络的识别能力(使用100个检测样本，对应于每个取2
Stochastic-Frontier
- 随机前沿生产函数DEA方法的特点是将有效的生产单位连接起来，用分段超平面的组合也就是生产前沿面来紧紧包络全部观测点，是一种确定性前沿方法，没有考虑随机因素对生产率和效率的影响。随机前沿生产函数则解决了这个问题。-Stochastic frontier DEA method is characterized by effective production units, with a sub-hyperplane combination o
svm
- SVM的理论基础 线性判别函数和判别面 最优分类面 支持向量机 LIBSVM简介-The theoretical basis of the SVM linear discriminant function and discriminant surface optimal hyperplane Support Vector Machines LIBSVM Profile
FlatForm
- VB超平面窗体控件附示例源码,有需要的就下载吧。-VB hyperplane forms controls attached sample source code, has the need to download it.
svm_demo
- 对于svm进行可视化，清晰地划分了分类超平面以及各个类别-Visualization for SVM, a clear division of the classification hyperplane and each category
svm1
- Linear support vector machine separates two classes of data.the basic idea behind SVM is to create a hyperplane that optimally separates the two classes of data.