板块3:AI/神经网络/深度学习
文章平均质量分 80
AI/神经网络/深度学习相关的算法仿真
fpga和matlab
专业即算法,算法即数学,数学即万物。从事MATLAB算法仿真工作15年,从事FPGA系统开发工作12多年。擅长解决各种算法仿真、建模、通信、图像处理、AI、智能控制等各专业问题。
展开
-
基于k-means和谱聚类算法的数据分类matlab对比仿真
K-means算法是一种广泛应用的无监督机器学习聚类方法,旨在将数据集中的观测值分配到k个预定义的聚类中,使得每个聚类内的观测值彼此相似度尽可能大,而不同聚类间的相似度尽可能小。算法主要包括初始化、迭代聚类和终止条件三个主要阶段。K-means算法通过迭代求解此优化问题,每次迭代都试图减小目标函数值,直至收敛。K-means算法存在一些局限性,如:对初始质心敏感:不同的初始化可能导致不同的聚类结果。假设簇形规则:算法假设数据分布呈现凸形状,对于复杂或不规则形状的聚类效果不佳。原创 2024-04-24 01:13:24 · 284 阅读 · 0 评论 -
生成高斯分布的GAN对抗性网络matlab仿真
生成对抗网络(Generative Adversarial Networks, GANs)是一种深度学习架构,由Ian Goodfellow等人于2014年首次提出,主要用于生成逼真的随机样本数据。这里我们特别关注基于高斯分布的GAN变体——尽管GAN本身并不直接针对高斯分布设计,但在某些情况下,其生成的数据分布可能近似高斯分布。GAN包含两个主要组成部分:生成器(Generator)G和判别器(Discriminator)D。原创 2024-04-21 20:28:07 · 641 阅读 · 0 评论 -
卷积神经网络Convolutional-Neural-Networks(CNN)理论概述
C1层中各平面(由神经元构成)提取图像中不同的局部特征,如边缘特征,上下左右方向特征等,C1层中的输入是有由上一层局部窗口的数值和连接的权值的加权和(也就是卷积,后面会具体解释为什么是卷积),然后通过一个激活函数(如sigmoid 函数,反正切函数)得到C1层的输出,接下来S2层是下采样层,简单来书,由4个点下采样为1个点,也就是4个数的加权平均。看下图2,假设红色的点和黑色的点是C1层第一个特征图的2个不同神经元,感受窗口的大小是5*5的(意味着有25个连接),这2个神经元连接的权值是共享的(相同的)。原创 2024-03-21 04:46:35 · 1101 阅读 · 0 评论 -
神经网络和卷积神经网络的理论分析
计算机学者从生物视觉的研究中得到启示,一个视觉神经细胞只与其距离较近的邻层神经元相连。鉴于此,CNN的采用了局部感受野。为了简化模型,一个特征平面的神经元共享权值。CNN最早由YannLecun 实现并运用到手写数字识别问题中,并取得该领域最高的识别率,至今未被超越。CNN是NN的一种变形,CNN与NN最大的不同在于CNN的卷积和子采样过程,而子采样可以被认为是一种特殊的卷积过程。在本章的后半部分,将以切割小图训练共享权值的NN的方式阐释卷积神经网络中的卷积过程。原创 2024-03-10 19:37:44 · 1131 阅读 · 1 评论 -
基于机器学习的Iris花卉数据分类matlab仿真
Iris数据集是机器学习领域中的一个经典数据集,它包含了三种不同类型的鸢尾花(Iris)的四个特征:花萼长度、花萼宽度、花瓣长度和花瓣宽度。基于这些特征,我们可以利用机器学习算法对鸢尾花的种类进行分类。Iris数据集是统计学家Ronald Fisher于1936年引入的经典多类分类问题的数据集,包含150个样本,每个样本有4个特征(花萼长度、花萼宽度、花瓣长度、花瓣宽度)以及一个标签(鸢尾花种类:Setosa、Versicolour或Virginica)。原创 2024-03-05 21:56:45 · 1580 阅读 · 0 评论 -
基于GMDH的数据分组处理方法mtalab仿真
在每一步中,GMDH算法都会评估当前模型的性能,并选择最优的模型作为下一步的基础。通过这种方法,GMDH算法能够自动地选择输入变量的最优子集,并构建一个具有最优复杂度的模型。在每一次迭代中,GMDH都会根据当前的模型误差选择新的输入变量,并更新模型参数。在数据分组处理中,GMDH主要通过逐步递增结构的方式自动识别和选择最优的输入变量组合,形成有效的预测或分类模型。这可以减少特征空间的维度,提高分类器的效率和准确性。因此,在实际应用中,需要根据具体的数据集和任务需求来选择合适的特征选择方法和分类器构建策略。原创 2024-02-15 16:35:43 · 650 阅读 · 0 评论 -
基于LVQ神经网络的手写数字识别matlab仿真
手写数字识别是计算机视觉和模式识别领域的一个重要问题,广泛应用于邮政编码识别、银行支票识别、表格数据录入等场景。LVQ算法是一种常用的有监督学习算法,用于解决分类和识别问题。原创 2023-11-25 04:11:26 · 178 阅读 · 0 评论 -
基于PCA降维的人脸识别算法matlab仿真
在众多的机器学习算法中,主成分分析(PCA)是其中的明星算法之一,被广泛应用于数据降维、特征提取等场景。特别是在人脸识别领域,PCA降维技术起到了至关重要的作用。原创 2023-11-15 20:39:05 · 412 阅读 · 0 评论 -
基于Qlearning强化学习的机器人行走轨迹控制系统
在机器人行走轨迹控制系统中,Qlearning算法将机器人的行走动作作为控制输入,将机器人的行走轨迹作为输出,通过学习最优的动作选择策略来实现对机器人行走轨迹的控制。其中,s表示状态,a表示动作,r表示机器人得到的奖励,γ表示折扣因子,max表示选择最优的动作。更新Q值:根据Qlearning算法的公式,机器人需要更新每个状态和动作对应的Q值。例如,可以将机器人的位置、速度、姿态等信息作为状态的一部分。控制行走轨迹:在训练结束后,机器人可以根据当前状态和Q表来选择最优的动作,从而实现对行走轨迹的控制。原创 2023-10-24 16:11:31 · 304 阅读 · 0 评论 -
基于DBN-ELM深度信念网络的数据分类matlab仿真
深度信念网络(Deep Belief Networks,DBN)是一种用于处理大规模数据的深度学习模型,它可以学习到数据的分布式特征表示,并且可以进行无监督学习。该方法的基本思路是:使用DBN学习到数据的特征表示,并将特征表示作为ELM的输入来进行分类。首先,我们对DBN的训练数据进行预处理,包括数据清理、标准化和归一化等处理,以保证数据的质量和一致性。然后,我们使用DBN对数据进行了特征提取和表示,并将得到的特征表示作为ELM的输入进行分类。DBN的学习过程可以分为两个阶段:无监督学习和有监督学习。原创 2023-10-17 23:31:57 · 381 阅读 · 0 评论 -
基于BP神经网络的图像压缩解压缩算法
若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。在需要解压图像数据时,再将存储或传输的压缩数据输入到BP神经网络中,通过反向传播学习算法对神经网络的权值进行调整,从而使神经网络的输出逐渐逼近原始图像数据。其中,X为输入图像数据,R^n表示n维实数集合,W和B分别为隐含层和输出层的权值和阈值,f为激活函数,常见的激活函数有sigmoid函数、ReLU函数等。其中,E为误差信号,D为隐含层到输出层的传递函数,V为误差信号的权值修正量,U为输出层到隐含层的传递函数,W和B的修正量分别为WU和VB。原创 2023-10-12 21:48:14 · 421 阅读 · 0 评论 -
基于PSO粒子群的RBF网络权值参数优化算法matlab仿真
1985年,Powell提出了多变量插值的径向基函数(RBF)方法。径向基函数是一个取值仅仅依赖于离原点距离的实值函数,也可以是到任意一点c的距离,c点称为中心点。任意满足上述特性的函数,都可以叫做径向基函数。一般使用欧氏距离计算距离中心点的距离(欧式径向基函数)。最常用的径向基函数是高斯核函数。RBF神经网络只有三层,即输入层、隐藏层、输出层。RBF网络的基本思想是:用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量直接映射到隐空间,而不需要通过权连接。原创 2023-10-10 21:25:08 · 861 阅读 · 0 评论 -
DeepPupilNet深度学习网络的研究与matlab仿真
DeepPupilNet是一个基于深度学习的视觉追踪算法,可以在图像中准确地追踪眼睛的位置和运动轨迹。其原理基于神经网络模型,通过训练大量的眼部图像数据,学习到从图像中提取有用信息的特征,并用这些特征来预测眼睛的位置和运动。具体来说,DeepPupilNet首先使用卷积神经网络(CNN)来提取输入图像的特征。然后使用一个全连接神经网络(FFN)将特征映射到输出空间,得到眼睛的位置和运动信息。在训练过程中,使用大量的标注数据来训练网络参数,使得网络能够准确地预测眼睛的位置和运动轨迹。原创 2023-09-13 21:42:31 · 317 阅读 · 0 评论 -
基于policy network策略网络的小车倒立摆平衡控制系统matlab仿真
Policy Network(策略网络)是一种深度强化学习算法,用于处理具有复杂环境的决策问题。在Policy Network中,智能体通过与环境进行交互,通过不断试错学习,逐步调整其策略以适应环境。Policy Network通常由一个神经网络和一个策略梯度算法组成。神经网络用于表示策略函数,其输入是环境的状态,输出是执行每个动作的概率。神经网络中的参数通过策略梯度算法进行更新,以最大化累积奖励。Policy Network的核心思想是采用概率性策略,智能体根据当前状态选择概率最大的动作执行。原创 2023-09-07 21:57:41 · 406 阅读 · 0 评论 -
基于SVDD算法的数据分类matlab仿真
支持向量域描述(Support Vector Domain Description,SVDD)是一种基于支持向量机(Support Vector Machine,SVM)的分类算法,其主要目的是寻找一个最小的超球体来包围所有的正例,同时使负例尽可能远离这个超球体。SVDD算法可以用于数据分类、异常检测等问题,特别是在处理小样本、高维数据等问题上具有较好的性能。原创 2023-09-04 18:38:59 · 1017 阅读 · 0 评论 -
基于IM模型的SNN脉冲神经网络的verilog程序开发
脉冲神经网络(SNN,Spiking Neural Network)是一种生物神经系统启发的神经网络模型,它使用脉冲事件(神经元之间的离散时间突触事件)来传递信息,与传统的人工神经网络(例如前馈神经网络和循环神经网络)不同。基于IM模型的SNN可以用于模拟生物神经系统中的信息处理和学习过程,尤其适用于事件驱动的任务,如感知、决策和控制。电位积累的速度取决于输入脉冲的权重和输入脉冲的时刻。在IM模型中,神经元接收来自其他神经元的输入,将这些输入积累起来,当累积的电位超过某个阈值时,神经元会发放脉冲。原创 2021-12-09 00:48:58 · 2944 阅读 · 0 评论 -
受限波尔茨曼机RBM的研究和matlab仿真
受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)是一种基于神经网络的机器学习模型,用于无监督学习和特征学习。它在各种应用领域,如自然语言处理、计算机视觉、协同过滤、特征提取等方面都取得了很大的成功。RBM由两层神经元组成,分别是可见层(Visible Layer)和隐藏层(Hidden Layer)。这两层之间没有同层之间的连接,这是“受限”之处,即限制了连接的方式。原创 2023-09-02 01:09:32 · 571 阅读 · 0 评论 -
基于Kohonen映射的自组织SOM分类器matlab仿真
基于Kohonen映射的自组织SOM(Self-Organizing Map)分类器是一种常用的无监督学习算法,用于将高维输入数据映射到一个低维的空间,以便进行数据聚类和可视化。Kohonen映射的核心思想是将相似的输入数据映射到邻近的神经元上,从而保留数据的拓扑结构和分布特征。训练过程中,输入数据被输入到SOM网络中,然后寻找与输入数据最相似的神经元,即最优匹配单元(Best Matching Unit,BMU),并通过更新BMU附近的神经元权重来实现数据的映射。原创 2023-08-29 04:04:45 · 420 阅读 · 0 评论 -
SNN脉冲神经网络中IF神经元的matlab仿真
在脉冲神经网络(SNN)中,整流-火(Integrate-and-Fire,IF)神经元是一种简单但重要的模型,用于模拟神经元的电活动。IF神经元接收来自其他神经元的脉冲输入,根据输入的总量判断是否会发放输出脉冲。它是一种离散时间模型,通过积分输入来决定神经元是否激活。IF神经元的基本思想是在接收到一定数量的输入脉冲后,神经元会产生一个输出脉冲。通常,每个输入脉冲都会在神经元内部积分,累积成为一个内部电位。一旦内部电位达到阈值,神经元会发放一个输出脉冲,并且内部电位会被重置。原创 2023-08-25 13:07:04 · 401 阅读 · 0 评论 -
基于GRNN网络和FCM的数据分类算法matlab仿真
在当今信息时代,数据不断涌现,数据分类是数据挖掘和机器学习中的一个重要问题。数据分类算法旨在将数据点划分为不同的类别,以便于数据分析、决策和模式识别。本文将详细介绍基于GRNN(General Regression Neural Network)网络和FCM(Fuzzy C-Means)的数据分类算法,包括数学原理、实现过程和应用领域。原创 2023-08-04 17:11:27 · 440 阅读 · 0 评论 -
基于SNN脉冲神经网络中的IF神经元matlab仿真
实现IF神经元脉冲的难点包括输入电流的计算、时钟同步、阈值选择、重置电位的确定以及衰减因子的选择。步骤二:脉冲发放 当膜电位超过一个阈值V_{\text{th}}时,IF神经元会发放一个脉冲,并将膜电位重置为一个初始值V_{\text{reset}}。其中,V(t)表示时间$t$时刻的膜电位,V(t-1)表示上一个时间步长的膜电位,I_i(t)表示来自第i个神经元的输入电流。其中,V_{\text{th}}表示阈值电位,V_{\text{reset}}表示脉冲发放后的重置电位。原创 2023-07-14 13:33:32 · 1047 阅读 · 0 评论 -
基于CNN卷积神经网络的英文检测
总结而言,基于CNN的文字识别算法通过卷积和池化操作提取图像特征,通过全连接层进行分类和识别,从而实现对图像中文字的识别。卷积层通过卷积运算,将输入图像与一系列卷积核进行卷积操作,提取图像中的特征。卷积操作使用滑动窗口的方式,在输入图像的每个位置与卷积核进行元素级相乘并求和,得到卷积特征图。其中,y(i, j)表示卷积结果的值,x(i+m, j+n)表示输入图像的像素值,k(m, n)表示卷积核的权重。其中,y表示全连接层的输出,W表示权重矩阵,x表示输入特征图,b表示偏置向量。原创 2023-07-14 13:25:37 · 810 阅读 · 0 评论 -
基于DNN网络的OFDM信号检测算法matlab仿真
其中,$m_t$和$v_t$是梯度的一阶和二阶矩估计,$\hat{m_t}$和$\hat{v_t}$是偏差修正后的一阶和二阶矩估计,$\theta_t$是网络参数,$\alpha$是学习率,$\beta_1$和$\beta_2$是衰减率,$\epsilon$是避免除0的小常数。其中,$s_k(t)$是第$k$个子载波的信号,$x_n$是第$n$个符号的数据,$N$是子载波的数量,$T_s$是符号间隔时间。其中,$y$是神经元的输出,$w_i$是权重,$x_i$是输入,$b$是偏差,$f$是激活函数。原创 2023-07-07 14:41:11 · 655 阅读 · 2 评论 -
基于PSO粒子群优化的BP神经网络的数据预测算法matlab仿真
其中,y_k表示输出层的第k个神经元的输出值,f表示激活函数,w_{kj}表示连接输入层第j个神经元和输出层第k个神经元之间的权值,x_j表示输入层第j个神经元的输入值,b_k表示输出层第k个神经元的偏置值。神经网络模型设计:设计BP神经网络的结构和参数,例如输入层为5个神经元,隐层为10个神经元,输出层为1个神经元,采用Sigmoid激活函数,学习率为0.01,最大迭代次数为1000次。更新粒子位置和速度:根据粒子的当前位置和速度,以及全局最优位置和个体最优位置,更新粒子的位置和速度。原创 2023-06-30 22:52:23 · 1897 阅读 · 0 评论 -
基于2D-LDA二维线性判别的matlab仿真
假设我们有一个由$n$个样本组成的数据集$X={x_1,x_2,...,x_n}$,每个样本有$d$维特征和一个类别标签$y_i$,我们的目标是将这个数据集降到$k$维,使得降维后的数据能够最大化不同类别之间的距离,同时最小化同一类别内部的距离。我们可以通过对两个矩阵$S_w$和$S_b$进行特征值分解,得到特征向量矩阵$W$,将每个样本$x_i$乘以变换矩阵$W$,得到降维后的样本$y_i=W^Tx_i$。其中,$k_1$和$k_2$分别为降维后的维数,$W_1$和$W_2$分别为特征向量矩阵。原创 2023-06-27 20:25:36 · 645 阅读 · 0 评论 -
基于LDA特征提取的人脸识别算法matlab仿真
假设我们有一个由$n$个样本组成的数据集$X={x_1,x_2,...,x_n}$,每个样本有$d$维特征,我们的目标是将这个数据集降到$k$维,即将每个样本$x_i$转化为$k$维向量$y_i$,使得样本在$k$维空间中的方差最大。我们可以通过对样本协方差矩阵进行特征值分解,得到协方差矩阵的$k$个最大特征值和对应的特征向量,将这$k$个特征向量组成的矩阵$W$作为变换矩阵,将每个样本$x_i$乘以变换矩阵$W$,得到降维后的样本$y_i=W^Tx_i$。原创 2023-06-27 20:22:27 · 688 阅读 · 0 评论 -
基于形态学处理的人脸识别算法matlab仿真
其中,$x_c$和$y_c$为中心像素的坐标,$g_c$为中心像素的灰度值,$g_p$为周围像素的灰度值,$P$为周围像素的个数,$s(x)$为符号函数,表示$x$的正负号。得到一个LBP图像后,可以进行后续的形态学处理。其中,$x_c$和$y_c$为中心像素的坐标,$g_c$为中心像素的灰度值,$g_p$为周围像素的灰度值,$P$为周围像素的个数,$s(x)$为符号函数,表示$x$的正负号。其中,$A$为LBP图像,$B$为结构元素,$\ominus$表示腐蚀操作,$\oplus$表示膨胀操作。原创 2023-06-27 20:21:22 · 575 阅读 · 0 评论 -
基于kmeans的数据聚类算法matlab仿真
K-means算法是一种动态聚类方法,这种方法先选择若干样本作为聚类的中心,在按某种聚类准则(通常采用最小距离原则)使各种样本向各个中心积聚,从而得到初始的分类,然后,判断分类的合理性,如果不合理,就修改分类,如此反复的修改聚类的迭代运算,直到合理为止。kmeans算法是一种常用的数据聚类算法,它通过最小化簇内点之间的距离,最大化不同簇之间的距离,来实现数据的聚类。对于每个数据点$x_i$,计算它到k个质心的距离$d(x_i,c_j)$,并将它归为距离最近的质心所在的簇$C_j$中。原创 2023-06-27 20:04:41 · 742 阅读 · 0 评论 -
基于mnist数据库的CNN卷积神经网络手写数字识别MATLAB仿真
首先,我们可以添加一个卷积层(Convolutional Layer),包含32个卷积核,每个卷积核的大小为3×3,步幅为1,激活函数为ReLU。假设我们有一个输入图像$x$,大小为$W\times H\times D$,其中$W$是图像的宽度,$H$是图像的高度,$D$是图像的深度,也称为通道数。输出特征图的大小为$(W-K+2P)/S+1\times (H-K+2P)/S+1\times F$,其中$K$是卷积核的大小,$P$是填充大小,$S$是步幅,$F$是卷积核的数量。原创 2023-06-24 14:55:50 · 984 阅读 · 0 评论 -
基于FCM+GRNN算法的数据预测matlab仿真
基于模糊聚类和广义回归神经网络(FCM-GRNN)的数据预测算法是一种适用于非线性数据预测的方法。该算法首先使用模糊C均值(FCM)聚类算法将数据集划分为不同的类别,然后利用广义回归神经网络(GRNN)对每个类别进行预测。通过将FCM聚类和GRNN神经网络相结合,该算法能够有效地处理非线性数据,并具有较高的预测准确性。原创 2023-06-18 20:30:49 · 675 阅读 · 0 评论 -
基于SRCNN卷积神经网络的超分辨率重建算法仿真
其中,$m_t$和$v_t$分别表示梯度的一阶矩和二阶矩估计,$\beta_1$和$\beta_2$分别表示一阶矩和二阶矩的衰减率,$g_t$表示当前的梯度,$\hat{m_{t+1}}$和$\hat{v_{t+1}}$分别表示偏差校正后的一阶矩和二阶矩估计,$\eta$表示学习率,$\epsilon$表示一个很小的常数,用于防止分母为零。其中,$w_i$表示当前的参数,$\eta$表示学习率,$\frac{\partial J(w_i)}{\partial w_i}$表示损失函数对参数的梯度。原创 2023-06-18 20:27:43 · 1557 阅读 · 0 评论 -
基于MATLAB深度学习工具箱的CNN卷积神经网络训练和测试
MATLAB深度学习工具箱是MATLAB官方提供的一套深度学习工具,包括了多种深度学习模型和算法,可以方便地进行模型训练和测试。其中,CNN卷积神经网络是工具箱中的一个重要模型,可以用于图像分类、物体检测、语音识别等多个领域。深度学习工具箱的核心是神经网络模型的搭建和训练。用户可以通过编写MATLAB代码,定义网络结构、损失函数、优化器等参数,进行网络训练和测试。同时,工具箱也提供了许多预训练的模型和数据集,方便用户学习和实践。原创 2023-06-14 18:51:46 · 8688 阅读 · 2 评论 -
基于CNN网络的mnist手写数字数据库训练和识别
基于CNN深度学习网络的MNIST手写数字识别实现主要包括以下几个步骤:数据集加载、数据预处理、模型构建、模型训练和模型测试。MNIST手写数字数据库是机器学习领域中的一个经典数据集,包含了一系列手写数字图片和对应的标签,是进行手写数字识别算法研究和性能评估的标准数据集之一。通过对数据集的加载、预处理、模型构建、模型训练和模型测试等步骤的介绍,可以帮助读者了解深度学习网络的基本原理和实现方法,以及如何应用深度学习网络进行手写数字识别任务。卷积层是CNN网络中的核心组件,它可以自动提取输入图像的特征。原创 2023-06-06 00:28:34 · 1947 阅读 · 0 评论 -
SVM支持向量机二维数据分类matlab仿真
此后在二十世纪70-80年代,随着模式识别中最大边距决策边界的理论研究 、基于松弛变量(slack variable)的规划问题求解技术的出现,和VC维(Vapnik-Chervonenkis dimension, VC dimension)的提出,SVM被逐步理论化并成为统计学习理论的一部分。通过SVM支持向量机的分类算法,其首先需要对数据进行预处理,将维度较高的特征数据转换为低维度的特征数据,然后通过一个非线性映射函数产生一个对数据进行分割的超平面。下面对这两种SVM的基本原理进行介绍。原创 2023-05-24 02:29:50 · 1177 阅读 · 0 评论 -
SNN脉冲神经网络与Izhikevich模型的设计
基于梯度下降的监督学习算法是一种数学分析方法,在学习规则的推导过程中,要求神经元模型的状态变量必须是有解析的表达式,主要采用固定阈值的线性神经元模型,如脉冲响应模型(spike response model)和Integrate-and-Fire神经元模型等。的描述十分准确,但时间复杂度较高,不适合在大型网络中使用。其中,v代表膜电位,u代表发射脉冲后膜电位的恢复变量,I代表输入电流,而a,b,c,d都是参数,分别代表发出脉冲后膜电位的恢复速度,回复变量u受膜电位影响的大小,静息电位和恢复变量的增加程度。原创 2023-04-19 19:57:52 · 1111 阅读 · 0 评论 -
基于HOG特征和GRNN神经网络的车牌字符识别算法matlab仿真
第四、车牌字符识别技术,主要是对切割之后的单独字符个体进行识别,通常情况下,可以作为识别功能的算法包括基于神经网络方面的识别算法,如BP神经网络(back propagation,BP),RBF神经网络(Radial Basis Function,RBF),GRNN神经网络(general regression neural network,GRNN);第二、车牌定位技术,由于系统需要对车牌进行识别,因此首先要进行车牌的定位,通过该算法,可以有效提取车牌的区域,为车牌字符识别奠定基础。原创 2023-04-09 22:51:49 · 863 阅读 · 0 评论 -
基于EM-GMM模型的人员异常行为检测matlab仿真
本算法,在第一部分,运动目标的提取,是基于一个较优的目标提取算法基础之上,即在具有环境噪声下的背景视频中,得到基本无干扰的运动目标,然后通过该目标得到五个特征向量序列,然后使用U-EM-GMM模型计算对应的概率密度。所以前面说的几个背景提取算法,这里我没用使用,我换成了基于背景自适应跟新的算法,我们需要利用目前分析信息反馈给背景更新算法,从而获得最佳的背景和运动目标,而之前和你说的几个方案,一开始忽略了这一点。分别表示的m帧,每帧中有n个目标,每个目标有五个参数,分别为时间,坐标,宽度和高度。原创 2023-04-05 01:54:05 · 918 阅读 · 0 评论 -
基于gabor特征提取和SVM支持向量机的人脸识别matlab仿真
以二维形式存在的人脸图像所包含的数据信息是非常多的,而且,这些数据中还包含了很多与人身份并没有多少关系的冗余信息,例如,表情、光线条件等。特征提取的定义为:当原始特征的数量很大,或者说样本是处于一个高维空间中的向量时,通过映射(或变换)的方法用低维空间来表示。如上所述,由于人脸的维数在通常情况下很高,特征提取的成败就对整个识别阶段的效果有决定性的影响。甚至可以这样认为:在某种意义上,人脸识别过程的成败就决定于特征提取的好坏,因此,如何有效的进行特征提取就成为人脸识别科研人员不得不面对的关键性问题。原创 2023-04-05 01:42:28 · 1399 阅读 · 0 评论 -
基于BP神经网络的车牌定位、字符分割及识别算法matlab仿真
首先给每个区域一组参数来反映这些区域分别属于哪个物体,接下来对相邻区域的所有边界进行考查,相邻区域的平均度量之间的差异是计算边界强度的一个尺度,经过反复迭代,每一步都重新计算被扩大区域的物体成员的隶属关系,并消除若边界时,区域合并的过程结束。因此,气泡法只能对含有全连通域字符的车牌进行有效的分割。车牌字符识别是在车牌准确定位的基础上,对车牌上的汉字、字母、数字进行有效确认的过程,其中汉字识别是一个难点,许多国外的系统也往往是因为汉字难识别而无法打入中国市场,因而探寻好的方法解决字符的识别也是至关重要的。原创 2023-04-04 02:46:06 · 1578 阅读 · 0 评论 -
基于BP神经网络的手写体数字识别算法matlab仿真
一般来说,结构方法有较高的识别速度,而且对于字符的变形具有良好的抗干扰能力,同时对字符的旋转,平移和伸缩具有较好的稳定性,但是这种方法的特征抽取过程比较复杂,由于特征定义和抽取都直接依赖于研究者的直觉,对图像预处理要求较高。编码规则是,按照从左至右、从上到下的顺序,依次扫描整个特征矩阵,将每一行的0和1转换成一个136像素×1像素的特征列。在对字体进行预处理后要进行的是特征的提取,选取图像的灰度特征时要考虑到特征量的维数与识别的准确率的要求。上述统计方法中,对仅使用单个特征的分类器而言,其识别率还不够高。原创 2023-04-04 02:04:20 · 1121 阅读 · 0 评论