lwwangfang的博客

下载：晨光bt上有很多matlab的种子，还好在大四的尾巴上，可以使用校园网进行下载。在获得种子地址后，先下载了uTorrent，那下载速度，杠杆的爽。但还是遗憾，这些只能用在校园网上。安装:参考的安装方法:  http://jingyan.baidu.com/article/c275f6ba218d43e33d7567fd.html  激活后， 将 "X:\serial\Matlab

删除文件加中所有.jpg 后缀的图片。如遇需要，更改后缀为 .mat/.png/.txt 等等。delete(‘E:\matlabCode_2016\images*.jpg’)；

for i=1:100 mkdir('E:\data\',num2str(i)); end

for i=1:100 copyfile(['H:/JPEG/',num2str(i),'.jpg'],'E:/data/images/');end

for i=1:100 original_imagefile='H:\JPEG\',num2str(i),'.jpg'; new_imagefile='E:\JPEG\'; movefile(originalimagefile,new_imagefile); end

1、 返回某文件中所有.jpeg文件名。x=’ILSVRC2012\images\val’; xDoc = fullfile(x); %读取文件 dirs=[xDoc ‘*.JPEG’]; %连接字符串 find_jpeg=dir(dirs); % 用你需要的目录以及文件扩展名替换。读取某个目录的指定类型文件列表，返回结构数组。 dircel

原文地址：http://www.cnblogs.com/emanlee/archive/2012/09/13/2683912.html% 字符串处理 a=’ a’;b=’b b’;c=’cccc’;m=” % 获取字符串长度 length(a) % 连接两个字符串,每个字符串最右边的空格被裁切 d=strcat(a,c) length(d) % 连接多行字符串,每行长度可

fid = fopen(‘txt_name.txt’,’wt’); Temp = array_name(:,1); fprintf(fid,’%d\n’,Temp); fclose(fid);

一、创建一个函数如下：（来自网上的代码）function [hdr, record] = edfread(fname, varargin)% Read European Data Format file into MATLAB%% [hdr, record] = edfread(fname)% Reads data from ALL RECORDS of file fname

在此，先要说一下，我只弄懂了怎么用自己的数据训练。但如何在训练好的模型上再继续用自己的数据训练，我还没弄懂所以，今天主要记录一下怎么来将自己的数据弄成imagenet接受的形式。 下图是我的matconvnet-1.0-beta23，里面有个data文件夹，没有就自己创建一个data. 依照下图，在data文件夹中创建两个文件夹：ILSVRC2012和imagenet12

在这里：http://www.vlfeat.org/matconvnet/training/  可以发现有几个训练CNN模型的例子，其中有三个例子，我主要来说第一个关于书写数字识别的MNIST数据库的训练和测试过程。（1）如果你已经下载并编译好了你的MatConvNet，可以打开data文件夹下的mnist-baseline-simplenn文件夹，在里面会发现一个imdb.mat 文件，这就

使用matlab学习svm，发现在对数据进行预处理时，要对数据进行归一化，并且，遇到问题：训练数据和测试数据是一起归一化处理好还是分开归一化处理好？怎么确定归一化的范围多大？是[0,1]还是[-1,4]等，为什么归一化范围不同，对分类精度有影响？ 断断续续的在网上找了几天，和同学讨论了一下，总想找个确凿的答案，但是总结来说为： 1、大多数情况应该对数据进行归一化处理，特别是在特征范围相差较大情况

支持向量机（Support Vector Machine，SVM)，可以完成对数据的分类，包括线性可分情况和线性不可分情况。 1、线性可分 首先，对于SVM来说，它用于二分类问题，也就是通过寻找一个分类线(二维是直线，三维是平面，多维是超平面）可以将数据分为两类。 并用线性函数f(x)=w·x +b来构造这个分类器(如下图是一个二维分界线） 其中，w是权重向量，x为训练元

对于支持向量机，其是一个二类分类器，但是对于多分类，SVM也可以实现。主要方法就是训练多个二类分类器。 一、多分类方式 1、一对所有（One-Versus-All OVA） 给定m个类，需要训练m个二类分类器。其中的分类器 i 是将 i 类数据设置为类1（正类），其它所有m-1个i类以外的类共同设置为类2（负类），这样，针对每一个类都需要训练一个二类分类器，最后，我们一共有 m 个分类器。

对于各种信号，都可以说它是由多个振幅与频率不同的正弦或者余弦函数组成的。并且一个信号通常由一个直流信号DC（幅值保持不变的信号）和多个交流信号AC（幅值以某种频率周期性变化的信号）组成。而离散余弦变换（DCT)，就可以将一个源信号分解为DC分量和AC分量。对于DCT来说，其定义为：一维变换： 二维变换：在这当中，由于DCT变换时可分离的，所以，以8*8的图像块来说，可以先对列进行一维

testLabels 是一个categorical 数组，如下图所示：现将以上testlabels 转为cell 数组，并且将每个label 转为str 字符串形式：testLabels_cellstr=cellstr(testLabels) ;