很方面的,懒得自己写了. clc   clear all     load('wdtFeature');         %   训练样本:train_data             % 矩阵,每行一个样本,每列一个特征   %  训练样本标签:train_label       % 列向量   %  测试样本:test_data   %  测试样本标签:test_label    train_data = traindata'    train_label = trainlabel'    

MATLAB中的分类器   目前了解到的MATLAB中分类器有:K近邻分类器,随机森林分类器,朴素贝叶斯,集成学习方法,鉴别分析分类器,支持向量机.现将其主要函数使用方法总结如下,更多细节需参考MATLAB 帮助文件.设 训练样本:train_data             % 矩阵,每行一个样本,每列一个特征 训练样本标签:train_label       % 列向量 测试样本:test_data 测试样本标签:test_label K近邻分类器 (KNN)mdl = Classifica

平台:matlab2016b matlab自带一个cifar10Net工具可用于深度学习. 图片标注 这里使用的是matlab自带的工具trainingImageLabeler对图像进行roi的标注. 选择AddImages将要训练的图片放进去(可以放入多张图片),在ROI Label区域右键可以选择改变label 的color和name,如果要训练多个类,也可以点击Add ROI Label来添加label. 所有图像标注完成后点击Export ROIs后会得到一个table(或stuct)变

工序工时由该工序的工艺参数决定,有了工时后乘以固定因子就是计件工资.一般参考本地小时工资以及同类小时工资并考虑作业的风险等因素给出固定因子 采用的VS2010 , Matlab2015a 64,  开发端是win7 64 , 部署端是win2012 R2 Datacenter 64 Matlab部分 下面是样本数据: 注意样本数据要尽可能全面,比方这里会交换L与R后做为另一组样本数据一起交给系统训练 打钩的数据会抽取来训练,WTime是目标,所以5个输入1个输出. 训练代码 clc clear

matlab 中自带的函数就不必怀疑. princomp:principal componet analysis (PCA). [COEFF,SCORE,latent,tsquare]=princomp(X); 参数: %%%%%%%%%%%%%%%%%% INPUT: X是数据:n*p,其中n代表样本个数,p代表特征维数 %%%%%%%%%%%%%%%%%% OUTPUT: COEFF: 协方差 p*p,投影矩阵 SCORE:投影之后的数据.如果样本个数<=特征维数,有一个有意思的 现象:SC

PCA基本流程: 1.训练集矩阵算协方差矩阵A; 2.算协方差矩阵特征值与特征向量; 3.按特征值的大小排列特征矩阵,得B,对应的特征值(按从大到小排列)组成向量a; 4.A*B得到去关联的新矩阵C,A与C的对应位置物理意义相同(指样本维度和样本数),但是去掉了关联,并且按特征贡献度大小排列; 5.选贡献度百分比或降维后的维度.例如百分之90,则是取满足sum(a(1:n))/sum(a)>90%的最小的n:如果直接定降维后的维度,则直接设置个n; 6.任一样本的降维公式相同,对于样本x:x*B

clc,clear all; point=[1.40000000000000,0.200000000000000;1.40000000000000,0.200000000000000;1.30000000000000,0.200000000000000;1.50000000000000,0.200000000000000;1.40000000000000,0.200000000000000;1.70000000000000,0.400000000000000;1.40000000000000,0

这个函数的功能是能自动搜索参数的取值,从而使得方程的误差最小. 效果如下 代码如下 %% Optimal Fit of a Non-linear Function % This is a demonstration of the optimal fitting of a non-linear function to a % set of data. It uses FMINSEARCH, an implementation of the Nelder-Mead simplex % (direct

前言 对前面的东西更新了一下.地方包括: 1.GUI的更新,更友好的用户界面 2.支持用手直接画车辆区域,并且识别出来 3.将proposal.detect.fine-grained classification三个步骤分离 4.在传入Classification Net的时候,不再循环传入分类,而是将检测出的proposal一起截取形成一个image4d,共同传入alexnet.此举是为了加速. Github https://github.com/ChenJoya/Vehicle_Detect

%2015.04.26 Kang Yongxin ----v 2.0 %完成作业中BP算法,采用批量方式更新权重 %% %输入数据格式 %x 矩阵 : 样本个数*特征维度 %y 矩阵 :样本个数*类别个数(用01000形式表示) close all; clear all; clc ; load data.mat;% x_test=x(1:3:30,:);%从原始数据中留出一部分 作为测试样本 y_test=y(1:3:30,:); x_train=[x(2:3:30,:);x(3:3:30,:)

2.1 案例背景 在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模.在这种情况下,可以建立BP神经网络表达这些非线性系统.该方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练BP神经网络,使网络能够表达该未知函数,然后用训练好的BP神经网络预测系统输出. 本章拟合的非线性函数为\[y = {x_1}^2 + {x_2}^2\]该函数的图形如下图所示. t=-5:0.1:5; [x1,x2] =meshgrid(t); y=x1.^2+x2.^2; s

如何在 Matlab 中绘制带箭头的坐标系 如何在 Matlab 中绘制带箭头的坐标系 实现原理 演示效果 完整代码 实现原理 使用 matlab 的绘制函数时,默认设置为一个方框形的坐标系, 图1 如果想要绘制的如下图所示中的带箭头的坐标系,需要如何实现呢? 图2 这里首先介绍 Matlab 自带的一个图窗标注函数 annotation,具体用法请点击查看文档,简而言之,该函数可以在图窗指定位置绘制图形(箭头,矩形,椭圆等)或文字.其中绘制箭头的调用格式为 arrow_obj = nnotat

更多内容请参考http://cn.mathworks.com/help/stats/index.html?s_cid=doc_ftr. Naive Bayes(朴素贝叶斯) Factor = NaiveBayes.fit(train_data, train_label); Scores = posterior(Factor, test_data); [Scores,Predict_label] = posterior(Factor, test_data); Predict_label = pre

Viola-Jones 人眼检测算法+meanshift跟踪算法 这次的代码是对视频中的人眼部分进行检测加跟踪,检测用的是matlab自带的人眼检测工具箱 下面是matlab官网介绍这个算法的一些东西: http://cn.mathworks.com/help/vision/examples/face-detection-and-tracking-using-camshift.html?searchHighlight=Viola-Jones http://cn.mathworks.com/hel

由于需要在一个Android项目中使用神经网络,而经过测试发现几个Github上开源项目的训练效果就是不如Matlab的工具箱好,所以就想在Android上使用Matlab神经网络代码(可是...) 这个问题大概处理了两天,原本预计5个小时的... 过程遇到了诸多一手坑以及看到相关资料的对新手不友好,所以就把过程记录下来希望能给后来者一些帮助 这个教程从0开始讲如何在Android App中使用Matlab的神经网络代码 整个过程大概可以分成这么几步: 首先你要在Matlab中写一个完整的神经网

******************************************************** ***数据集下载地址 :http://pan.baidu.com/s/1geb8CQf**** ********************************************************* zhangtao1698@126.com 一次模式识别课中的关于SVM用法的一个简单的实例(训练集和测试集简单的划分): 一.实验目的 1．掌握支持向量机(SVM)的原理.核

PCA的一些基本资料 最近因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维. 本来最早的时候我没有打算对提取的gabor特征进行降维,但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波,这样提取的特征足足有64*64*5*8这么多,如果图像稍微大一点,比如128*128的图像,那么直接提取的特征就会几十万,所以不降维的话直接用SVM训练分类器是非常困难的. 所以在这段时间我就学习了一下PCA降维的基本原理和使用方法,网上给出的

1.具体应用实例.根据表2,预测序号15的跳高成绩. 表2 国内男子跳高运动员各项素质指标 序号 跳高成绩() 30行进跑(s) 立定三级跳远() 助跑摸高() 助跑4—6步跳高() 负重深蹲杠铃() 杠铃半蹲系数 100 (s) 抓举 () 1 2.24 3.2 9.6 3.45 2.15 140 2.8 11.0 50 2 2.33 3.2 10.3 3.75 2.2 120 3.4 10.9 70 3 2.24 3.0 9.0 3.5 2.2 140 3.5 11.4 50 4 2.32

一.自然场景文本定位综述   场景图像中文本占据的范围一般都较小,图像中存在着大范围的非文本区域.因此,场景图像文本定位作为一个独立步骤越来越受到重视.这包括从最先的CD和杂志封面文本定位到智能交通系统中的车牌定位.视频中的字幕提取,再到限制条件少,复杂背景下的场景文本定位.与此同时文本定位算法的鲁棒性越来越高,适用的范围也越来越广泛.文本定位的方式一般可以分为三种,基于连通域的.基于学习的和两者结合的方式.基于连通域的流程一般是首先提取候选文本区域,然后采用先验信息滤除部分非文本区域,最后根据

一.从生物到计算机 神经细胞利用电-化学过程交换信号.输入信号来自另一些神经细胞.这些神经细胞的轴突末梢(也就是终端)和本神经细胞的树突相遇形成突触(synapse),信号就从树突上的突触进入本细胞.信号在大脑中实际怎样传输是一个相当复杂的过程,但就我们而言,重要的是把它看成和现代的计算机一样,利用一系列的0和1来进行操作.就是说,大脑的神经细胞也只有两种状态:兴奋(fire)和不兴奋(即抑制).发射信号的强度不变,变化的仅仅是频率.神经细胞利用一种我们还不知道的方法,把所有从树突突触上进来的信