VISUAL+C++指纹模式识别系统算法及实现_0
上传时间： 2013-05-29
上传用户：eeworm
H.264作为新一代视频编码标准，相比上一代视频编码标准MPEG2，在相同画质下，平均节约64﹪的码流。该标准仅设定了码流的语法结构和解码器结构，实现灵活性极大，其规定了三个档次，每个档次支持一组特定的编码功能，并支持一类特定的应用，因此。H.264的编码器的设计可以根据需求的不同而不同。 H.264虽然具有优异的压缩性能，但是其复杂度却比一般编码器高的多。本文对H.264进行了编码复杂度分析，并统计了整个软件编码中计算量的分布。H.264中采用了率失真优化算法，提高了帧内预测编码的效率。在该算法下进行帧内预测时，为了得到一个宏块的预测模式，需要进行592次率失真代价计算。因此为了降低帧内预测模式选择的计算复杂度，本文改进了帧内预测模式选择算法。实践证明，在PSNR值的损失可以忽略不计的情况下，该算法相比原算法，帧内编码时间平均节约60﹪以上，对编码的实时性有较大帮助。 为了实现实时编码，考虑到FPGA的高效运算速度和使用灵活性，本文还研究了H.264编码器基本档次的FPGA实现。首先研究了H.264编码器硬件实现架构，并对影响编码速度，且具有硬件实现优越性的几个重要部分进行了算法研究和FPGA.实现。本文主要研究了H.264编码器中整数DCT变换、量化、Zig-Zag扫描、CAVLC编码以及反量化、逆整数DCT变换等部分。分别对这些模块进行了综合和时序仿真，并将验证后通过的系统模块下载到Xilinx virtex-Ⅱ Pro的FPGA中，进行了在线测试，验证了该系统对输入的残差数据实时压缩编码的功能。 本文对H.264编码器帧内预测模式选择算法的改进，算法实现简单，对软件编码的实时性有很大帮助。本文对在单片FPGA上实现H.264编码器做出了探索性尝试，这对H.264编码器芯片的设计有着积极的借鉴性。
上传时间： 2013-06-13
上传用户：夜月十二桥
H.264作为新一代视频编码标准，相比上一代视频编码标准MPEG2，在相同画质下，平均节约64﹪的码流。该标准仅设定了码流的语法结构和解码器结构，实现灵活性极大，其规定了三个档次，每个档次支持一组特定的编码功能，并支持一类特定的应用，因此。H.264的编码器的设计可以根据需求的不同而不同。 H.264虽然具有优异的压缩性能，但是其复杂度却比一般编码器高的多。本文对H.264进行了编码复杂度分析，并统计了整个软件编码中计算量的分布。H.264中采用了率失真优化算法，提高了帧内预测编码的效率。在该算法下进行帧内预测时，为了得到一个宏块的预测模式，需要进行592次率失真代价计算。因此为了降低帧内预测模式选择的计算复杂度，本文改进了帧内预测模式选择算法。实践证明，在PSNR值的损失可以忽略不计的情况下，该算法相比原算法，帧内编码时间平均节约60﹪以上，对编码的实时性有较大帮助。 为了实现实时编码，考虑到FPGA的高效运算速度和使用灵活性，本文还研究了H.264编码器基本档次的FPGA实现。首先研究了H.264编码器硬件实现架构，并对影响编码速度，且具有硬件实现优越性的几个重要部分进行了算法研究和FPGA.实现。本文主要研究了H.264编码器中整数DCT变换、量化、Zig-Zag扫描、CAVLC编码以及反量化、逆整数DCT变换等部分。分别对这些模块进行了综合和时序仿真，并将验证后通过的系统模块下载到Xilinx virtex-Ⅱ Pro的FPGA中，进行了在线测试，验证了该系统对输入的残差数据实时压缩编码的功能。 本文对H.264编码器帧内预测模式选择算法的改进，算法实现简单，对软件编码的实时性有很大帮助。本文对在单片FPGA上实现H.264编码器做出了探索性尝试，这对H.264编码器芯片的设计有着积极的借鉴性。
上传时间： 2013-05-25
上传用户：refent
提出了一种改进的LSM-ALSM子空间模式识别方法，将LSM的旋转策略引入ALSM，使子空间之间互不关联的情况得到改善，提高了ALSM对相似样本的区分能力。讨论中以性能函数代替经验函数来确定拒识规则的参数，实现了识别率、误识率与拒识率之间的最佳平衡；通过对有限字符集的实验结果表明，LSM-ALSM算法有效地改善了分类器的识别率和可靠性。关 键 词 学习子空间; 性能函数; 散布矩阵; 最小描述长度在子空间模式识别方法中，一个线性子空间代表一个模式类别，该子空间由反映类别本质的一组特征矢量张成，分类器根据输入样本在各子空间上的投影长度将其归为相应的类别。典型的子空间算法有以下三种[1, 2]：CLAFIC(Class-feature Information Compression)算法以相关矩阵的部分特征向量来构造子空间，实现了特征信息的压缩，但对样本的利用为一次性，不能根据分类结果进行调整和学习，对样本信息的利用不充分；学习子空间方法(Leaning Subspace Method, LSM)通过旋转子空间来拉大样本所属类别与最近邻类别的距离，以此提高分类能力，但对样本的训练顺序敏感，同一样本训练的顺序不同对子空间构造的影响就不同；平均学习子空间算法(Averaged Learning Subspace Method, ALSM)是在迭代训练过程中，用错误分类的样本去调整散布矩阵，训练结果与样本输入顺序无关，所有样本平均参与训练，其不足之处是各模式的子空间之间相互独立。针对以上问题，本文提出一种改进的子空间模式识别方法。子空间模式识别的基本原理1.1 子空间的分类规则子空间模式识别方法的每一类别由一个子空间表示，子空间分类器的基本分类规则是按矢量在各子空间上的投影长度大小，将样本归类到最大长度所对应的类别，在类x()iω的子空间上投影长度的平方为()211,2,,()argmax()jMTkkjpg===Σx (1)式中 函数称为分类函数；为子空间基矢量。两类的分类情况如图1所示。
上传时间： 2013-12-25
上传用户：熊少锋
模式识别中的CYK算法
上传时间： 2014-01-07
上传用户：变形金刚
模式识别中的ISODATA算法演示
上传时间： 2014-01-03
上传用户：xuan‘nian
模式识别中的K－均值算法演示
上传时间： 2014-11-18
上传用户：黄华强
c++编写的模式识别k均值算法
上传时间： 2014-01-25
上传用户：日光微澜
模式识别k_means聚类算法。
上传时间： 2014-01-08
上传用户：阿四AIR
模式识别分类 内有聚类算法.分段线性算法
上传时间： 2015-03-01
上传用户：jichenxi0730
