没有合适的资源?快使用搜索试试~ 我知道了~
lda模型matlab代码-PatternRecognition_Matlab:通过训练数据集学习特征约简预测和分类器模型,并将...
共104个文件
fig:47个
m:45个
mat:3个
需积分: 31 16 下载量 41 浏览量
2021-05-24
20:48:26
上传
评论 2
收藏 13.06MB ZIP 举报
温馨提示
lda模型matlab代码PatternRecognition_Matlab 抽象的 通过训练数据集学习特征约简预测和分类器模型,并将其用于对测试数据集进行分类。 本文比较了几种减少特征的方法:主成分分析(PCA),线性判别分析(LDA)及其核方法(KPCA,KLDA)。 相应地,实现了几种分类算法:支持向量机(SVM),高斯二次最大似然和K近邻(KNN)和高斯混合模型(GMM)。 结论 我们的实验表明,SVM是增加维数空间的最可靠方法,而SVM和LDA对噪声最敏感。 文献资料 代码运行指令 输入数据 : 主功能 : 关于作者
资源推荐
资源详情
资源评论
收起资源包目录
lda模型matlab代码-PatternRecognition_Matlab:通过训练数据集学习特征约简预测和分类器模型,并将其用于对测试数 (104个子文件)
KLDA_proj_test.asv 969B
main.asv 764B
Thumbs.db 20KB
PCA--KNN(Confusion on best Dim-)14.fig 408KB
KLDA--GaussianML(Confusion on best Dim-)14.fig 408KB
LDA--KSVM(Confusion on best Dim-)9.fig 408KB
KPCA--KNN(Confusion on best Dim-)22.fig 408KB
NONE--KSVM(Confusion on best Dim-)1.fig 408KB
KLDA--KNN(Confusion on best Dim-)11.fig 408KB
KLDA--GMM(Confusion on best Dim-)14.fig 408KB
LDA--KNN(Confusion on best Dim-)13.fig 408KB
KPCA--GMM(Confusion on best Dim-)14.fig 408KB
LDA--GMM(Confusion on best Dim-)14.fig 408KB
PCA--KSVM(Confusion on best Dim-)14.fig 408KB
KLDA--KSVM(Confusion on best Dim-)12.fig 408KB
KPCA--GaussianML(Confusion on best Dim-)14.fig 408KB
KPCA--KSVM(Confusion on best Dim-)21.fig 408KB
PCA--GMM(Confusion on best Dim-)14.fig 408KB
LDA--GaussianML(Confusion on best Dim-)12.fig 408KB
PCA--GaussianML(Confusion on best Dim-)15.fig 407KB
PCA--KNN(ROC on best Dim-)14.fig 29KB
NONE--KSVM(ROC on best Dim-)1.fig 29KB
KPCA--KNN(ROC on best Dim-)22.fig 29KB
KPCA--KSVM(ROC on best Dim-)21.fig 29KB
LDA--KNN(ROC on best Dim-)13.fig 29KB
KLDA--KNN(ROC on best Dim-)11.fig 29KB
LDA--GMM(ROC on best Dim-)14.fig 29KB
KLDA--GMM(ROC on best Dim-)14.fig 29KB
KLDA--GaussianML(ROC on best Dim-)14.fig 29KB
LDA--KSVM(ROC on best Dim-)9.fig 29KB
LDA--GaussianML(ROC on best Dim-)12.fig 29KB
KPCA--GMM(ROC on best Dim-)14.fig 29KB
PCA--KSVM(ROC on best Dim-)14.fig 29KB
KPCA--GaussianML(ROC on best Dim-)14.fig 29KB
PCA--GaussianML(ROC on best Dim-)15.fig 29KB
KLDA--KSVM(ROC on best Dim-)12.fig 29KB
PCA--GMM(ROC on best Dim-)14.fig 29KB
KPCA--KNN(Accuracy Plot).fig 28KB
PCA--KNN(Accuracy Plot).fig 27KB
LDA--KNN(Accuracy Plot).fig 26KB
KLDA--KNN(Accuracy Plot).fig 26KB
PCA--KSVM[Accuracy Plot].fig 18KB
PCA--GaussianML[Accuracy Plot].fig 18KB
KPCA--KSVM[Accuracy Plot].fig 18KB
KPCA--GaussianML[Accuracy Plot].fig 18KB
KLDA--GaussianML[Accuracy Plot].fig 17KB
LDA--GaussianML[Accuracy Plot].fig 17KB
LDA--KSVM[Accuracy Plot].fig 17KB
KLDA--KSVM[Accuracy Plot].fig 17KB
NONE--KSVM[Accuracy Plot].fig 17KB
.gitattributes 65B
CourseProj.m 18KB
mainFCT.m 7KB
fun_FeaLBP.m 6KB
main_KED_PEAL.m 6KB
KDA.m 6KB
KDA_backup.m 6KB
BettyKDA.m 6KB
SolveDALM.m 5KB
GaussianMLClassifier3.m 4KB
AdhocAnalysis.m 4KB
gmm.m 4KB
GaussianMLClassifier2.m 4KB
GaussianMLClassifier1.m 3KB
KPCA.m 3KB
FLDAProj.m 3KB
main_CreatTrainSubset.m 3KB
getmapping.m 3KB
example.m 3KB
GMMClassifier.m 3KB
constructKernel.m 3KB
KNNClassifier.m 2KB
fun_FeaLBP_block.m 2KB
fun_ESRC.m 2KB
fun_SRC.m 2KB
Eigenface_f.m 2KB
ML_Classify.m 2KB
test.m 1KB
EuDist2.m 1KB
GDA_proj.m 1KB
KPCA_proj.m 1KB
PCAProj.m 1KB
fun_FeaLBPs.m 1KB
Classification.m 1010B
fun_KED_dict.m 938B
fun_Format.m 887B
downsample.m 779B
FeatureReduction.m 777B
fun_dispRecoAcc.m 740B
GaussianMLEstimator.m 698B
fun_FeaLBPDist.m 610B
fun_NN.m 557B
KLDA_proj.m 548B
Contents.m 515B
PatternRecog.m 353B
fun_FeaDist.m 146B
data.mat 3.13MB
AcaPlot.mat 42KB
db_PEAL_ind_tr_1.mat 14KB
README.md 1KB
共 104 条
- 1
- 2
资源评论
weixin_38731479
- 粉丝: 3
- 资源: 916
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- delphi实现DBGrid全选和反选功能
- 25C11F41-2B2A-4D1A-AAA8-7C654526B129.pdf
- Android Studio Jellyfish(android-studio-2023.3.1.18-cros.deb)
- MVC+EF框架+EasyUI实现权限管理源码程序
- python第66-75天,Day66-75.rar
- python后端服务project-of-tornado.rar
- python测验,hello-tornado.rar
- 基于SpringBoot+Vue3快速开发平台、自研工作流引擎源码设计.zip
- docker安装部署全流程
- 基于树莓派的人脸识别系统python源码+项目部署说明+超详细代码注释.zip
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功