40年代電子計(jì)算機(jī)發(fā)明以后逐漸發(fā)展起來(lái)的(文件)
【正文】 別未知的樣品進(jìn)行判定 。如果統(tǒng)計(jì)知識(shí)完整 ，貝葉斯決策理論是一種最優(yōu)分類器。則任給一x，判斷x的類別 。色調(diào) H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。 分塊主色的實(shí)現(xiàn)本文對(duì)圖像二維空間進(jìn)行 4 * 4 的劃分。) ； ％ 求個(gè)類別的協(xié)方差矩 陣s_inv(i).dat=inv(s_cov(i).dat) ； ％求協(xié)方差矩 陣的逆矩陣一s_det(i)=det(s_cov(i).dat) ； ％ 求協(xié)方差矩陣的行列式endsuml=0。y=maxpos。神經(jīng)元及其突觸是神經(jīng)網(wǎng)絡(luò)的基本器件。人工神經(jīng)元是對(duì)生物神經(jīng)元的一種形式化描述，它對(duì)生物神經(jīng)元的信息處理過(guò)程進(jìn)行抽象，并用數(shù)學(xué)語(yǔ)言予以描述；對(duì)生物神經(jīng)元的結(jié)構(gòu)和功能進(jìn)行模擬，并用模型予以表達(dá)。一個(gè)非線性激勵(lì)函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)。通常所說(shuō)的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要指它的連接方式。其中典型的前饋型神經(jīng)網(wǎng)絡(luò)如BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，RBF（Radical Basis Function）神經(jīng)網(wǎng)絡(luò)。B P網(wǎng)絡(luò)結(jié)構(gòu)圖如下：其算法步驟描述如下:( 1 )設(shè)置變量和參數(shù), 其 中包括訓(xùn)練樣本, 權(quán)值矩陣, 學(xué)習(xí)速率。(4) 后向傳播過(guò)程: a . 計(jì)算同一層單元的誤差。close all。[S2,Q]=size(targets)。logsig39。traingdx39。T=targets。=20。netn=net。for pass=1:10。=500。[netn,tr]=train(netn,P,T)。 plotchar(noisyChar)。 subplot(6,9,k+floor(k/)*9+9)。,[10,60,900,700], 39。)運(yùn)算結(jié)果如下：成功識(shí)別有噪聲實(shí)驗(yàn)結(jié)果表明，基于 BP 神經(jīng)網(wǎng)絡(luò)的英文字母識(shí)別方法能實(shí)現(xiàn)對(duì) 26 個(gè)英文字母的準(zhǔn)確、快速識(shí)別，并具有較強(qiáng)的抗干擾能力。一般情況下，事件A在事件B的條件下的概率，與事件 B 在事件A條件下的概率不相等 ，然而，這兩者是有確定關(guān)系的，貝葉斯法則就是這種關(guān)系的描述 。其設(shè)計(jì)方法屬 于一種基本的統(tǒng)計(jì)分類方法。對(duì)于兩類問(wèn)題 ， 所以用后驗(yàn)概率來(lái)判別2．2圖像分類識(shí)別系統(tǒng)實(shí)現(xiàn) .1 HSV顏色空間HSV顏色空間比較其它的顏色空間更適合人的視覺(jué)特性 。2 . 顏色空間的量化根據(jù)人 的視覺(jué)分辨能力的分 析 ，顏色大致劃分為如下9種 ：紅、黃 、綠、青、藍(lán)、紫、黑、灰和白，依據(jù)這九種顏色就可以大致描述一幅圖像。分塊主色法是統(tǒng)計(jì) 圖像每個(gè)分塊主色來(lái)突出顏 色的空間關(guān)系 ， 適用于主題位置相對(duì)固定的分類問(wèn)題 ，對(duì)于變化較大的圖像效果會(huì)明顯減弱。) ； ％求每類圖像 的特征值end％ 計(jì)算最大的判別函數(shù) for i=1:2h(i)=(pcasampmean_sap(i).dat)’*S_inv(i).dat*(pcasa 圖32 運(yùn)動(dòng)模糊圖像的二次傅立葉變換頻譜（1） 計(jì)算退化圖像的頻譜,并且將的點(diǎn)移動(dòng)到圖像中心位置，為了壓縮頻譜的灰度值范圍，將圖像頻譜數(shù)值去對(duì)數(shù)；（2） 對(duì)上步結(jié)果重復(fù)相同的步驟，得到運(yùn)動(dòng)模糊圖像的二次傅立葉頻譜，記作；對(duì)的各像素按照其灰度值從大到小排序，記作；去排序的23 / 23。) ； ％ 求個(gè)類別的協(xié)方差矩 陣s_inv(i).dat=inv(s_cov(i).dat) ； ％求協(xié)方差矩 陣的逆矩陣一s_det(i)=det(s_cov(i).dat) ； ％ 求協(xié)方差矩陣的行列式endsuml=0。2． 分塊主色的實(shí)現(xiàn)本文對(duì)圖像二維空間進(jìn)行 4 * 4 的劃分。色調(diào) H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。則任給一x，判斷x的類別 。如果統(tǒng)計(jì)知識(shí)完整 ，貝葉斯決策理論是一種最優(yōu)分類器。首先建立識(shí)別對(duì)象的訓(xùn)練集，其中每點(diǎn)的類別已知 ，根據(jù)這些條件，建立判別函數(shù)，通過(guò)現(xiàn)有的樣品估計(jì)判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對(duì)類別未知的樣品進(jìn)行判定 。,39。endset(gcf,39。 de_noisyChar=pet(de_noisyChar)。for k=1:26 noisyChar=alphabet(:,k)+randn(35,1)*noise_percent。P=alphabet。 [netn,tr]=train(netn,P,T)。=300。=。sse39。{2,1}={2,1}*。logsig39。P=alphabet。[alphabet,targets]=prprob。 c . 返回 ( 2) 。(3) 前向傳播過(guò)程: 對(duì)給定訓(xùn)練模 式輸入, 計(jì)算網(wǎng)絡(luò)的輸出模式, 并與期望模式比較, 若有誤差,則執(zhí)行( 4 )。基于BP神經(jīng)網(wǎng)絡(luò)的圖像模式識(shí)別實(shí)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的傳遞函數(shù)是 S 型函數(shù)，輸出量為 0 到 1 之間的連續(xù)量，它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。目前，已有近40種神經(jīng)網(wǎng)絡(luò)模型，其中有反傳網(wǎng)絡(luò)、感知器、自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。閾值也被看作是一個(gè)輸入分量，也就是閾值也是一個(gè)權(quán)值。該神經(jīng)元是一個(gè)多輸入單輸出的非線性元件，其輸入輸出關(guān)系可描述為：
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1