- 博客(1)
- 资源 (9)
- 收藏
- 关注
原创 关于核函数和SVM的几点思考
关于核函数和SVM中结构风险最小化的几点思考今天了解了一些RBF径向基(高斯)核函数的问题,顺便又了解了一下SVM分类,从了解的情况来看我对核函数是什么,为什么要用核函数以及SVM里的结构风险最小化(Structure Risk Minimization,简称 SRM)也有了更加深入的了解。
2016-08-17 12:10:01 884
高分辨率卫星影像与LiDAR数据的自动建筑物提取
本文提出了融合全色多光谱 IKONOS 影像与低分辨率 LiDAR 数据的一种自动提取建筑物轮廓的新方法。首先根据 IKONOS 提供的归一化植被指数与激光点云的高程获取建筑物属性特征,如果在一簇激光点云内,所有的激光点都符合建筑物的特性,则这簇点云被认为是独立的建筑物对象。其次,联合数据驱动方法与模型驱动方法获取建筑物轮廓直线,将这些直线作为建模线索。最后,利用二叉空间划分(BSP树)方法,根据数据驱动和模型驱动获取的直线将建筑物区域递归分割为一系列凸多边形,然后合并标识为建筑物的凸多边形,最终得到该建筑物的完整的轮廓描述。与 Ord-nance Survey's MasterMap?相比评价系统性能,评价结果显示:建筑物描述性能可达到 0.11,建筑物检测率是90.1%,总体质量为 80.5%。
2011-09-22
基于matlab的支持向量机实现代码
支持向量机Matlab工具箱1.0
使用平台 - Matlab6.5,该工具箱包括了二种分类,二种回归,以及一种一类支持向量机算法
(1) Main_SVC_C.m --- C_SVC二类分类算法
(2) Main_SVC_Nu.m --- Nu_SVC二类分类算法
(3) Main_SVM_One_Class.m --- One-Class支持向量机
(4) Main_SVR_Epsilon.m --- Epsilon_SVR回归算法
(5) Main_SVR_Nu.m --- Nu_SVR回归算法
2011-08-01
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人