![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
模式识别
文章平均质量分 63
新安浅滩
这个作者很懒,什么都没留下…
展开
-
贝叶斯决策理论和概率密度估计方法
模式识别基础方法小结 这学期学习了《模式识别》这门课程,刚刚考完试,趁着考试复习的机会把模式识别的基础方法总结了一下了,这一篇的主要内容是转自Angel_Yuaner大神的博客,提供原链接整理如下。贝叶斯决策理论贝叶斯决策有两个基本要求各类别总体的概率分布是已知的待决策分类的类别数是一定的贝叶斯决策时是从样本空间到决策空间的一个映射,贝叶斯决策是所有识别方法的一个基准。贝叶斯决策论转载 2017-06-27 15:06:47 · 2062 阅读 · 0 评论 -
KD树的C++实现
理论介绍 kd树(K-dimension tree)是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是是一种二叉树,表示对k维空间的一个划分,构造kd树相当于不断地用垂直于坐标轴的超平面将K维空间切分,构成一系列的K维超矩形区域。kd树的每个结点对应于一个k维超矩形区域。利用kd树可以省去对大部分数据点的搜索,从而减少搜索的计算量。kd树的算法步骤 kd树可原创 2017-10-06 18:10:19 · 6224 阅读 · 2 评论 -
高斯混合模型的C++实现
高斯混合模型的C实现原理过程代码实现高斯混合模型的C++实现原理GMM将数据的分布通过多个高斯模型进行拟合。GMM是一种聚类算法,每个component就是一个聚类中心。高斯混合模型可以得到每个数据属于每个模型的概率,是一种软聚类算法。这是来自《统计学习方法》中的定义:过程高斯混合模型使用EM算法估计模型参数。 1. 初始化模型的个数和每个高斯模型的参数,设定迭代结束条件(迭代次数,误差阈值原创 2017-12-13 16:54:07 · 2477 阅读 · 2 评论