在深入的对频谱脸法和Fisherface方法进行研究后，综合这两种方法的优点，提出了一种基于频谱脸和Fisherface的人脸识别新方法。频谱脸方法主要是采用二维小波变换和傅立叶变换。因为人脸图像的低频部分对人脸的表情变化是不敏感的，所以对人脸图像使用二维小波变换，提取人脸图像的低频部分。对人脸图像的低频部分使用傅立叶变换，从而获得原人像的一个低维空间的表达。但是频谱脸特征维数仍然较高，所以在频谱脸法的基础上继续提取人脸频谱图像的Fisherface 特征，降低特征的维数，提高识别效率。利用人脸面部构造产生的灰度特性提取眼睛，利用嘴唇的色度特征分割出嘴巴，进而根据眼睛和嘴巴构成三角形模板的特性，精确定位人脸在图像中的位置。实验结果表明，这种结合肤色和面部特征的算法，能够对人脸进行较快速、准确的定位，而且结果比较稳定可靠。
上传时间： 2013-10-09
上传用户：zhf01y
MATLAB的基本数据单元是既不需要指定维数，也不需要说明数据类型的矩阵（向量和标量为矩阵的特例），而且数学表达式和运算规则与通常的习惯相同。
上传时间： 2015-01-03
上传用户：lingzhichao
K-均值聚类算法的编程实现。包括逐点聚类和批处理聚类。K－均值聚类的的时间复杂度是n*k*m，其中n为样本数，k为类别数，m为样本维数。这个时间复杂度是相当客观的。因为如果用每秒10亿次的计算机对50个样本采用穷举法分两类，寻找最优，列举一遍约66.7天，分成3类，则要约3500万年。针对算法局部最优的缺点，本人正在编制模拟退火程序进行改进。希望及早奉给大家，倾听高手教诲。
上传时间： 2015-03-18
上传用户：yuanyuan123
利用横向递归算法解决数据组合的问题， 比如数组为a, 长度为len， 横向递归 B display(a,len) b是二维数组，a是一维数组
上传时间： 2015-03-21
上传用户：tb_6877751
jaccobi迭代法和GS迭代法求解线性方程组，并有著名病态对称正定矩阵Hilbert矩阵的生成程序和其不同维数下，求解结果的对比作图
上传时间： 2014-01-05
上传用户：libinxny
SOR（超松弛）迭代发求解线性方程组问题，带有Hilbert矩阵生成程序和其不同维数下求解的结果对比作图
上传时间： 2015-03-24
上传用户：270189020
调用过程 CM = Confusion_matrix(train_predicts, train_targets) [combining_predicts, errorrate] = combining_NB(DP, test_targets, CM) DP，三维数组，(i,j,k)为第k个样本的DP矩阵 targets 为 0 1 2
标签： combining_predicts Confusion_matrix train_predicts train_targets
上传时间： 2015-04-04
上传用户：it男一枚
用Burg算法估计AR模型参数，进而实现功率谱估计. 形参说明： x——双精度实型一维数组，长度为n，存放随机序列。 n--整型变量,随机序列的长度。 p--整型变量,AR模型的阶数。 a--双精度实型一维数组，长度为(p十1)。存放AR模型的系数a(0),a(1),...,a(p)。 v--双精度实型指针,它指向预测误差功率，即AR模型激励白噪声的方差。
上传时间： 2013-12-21
上传用户：330402686
计算ARMA(p，q)模型的功率谱密度。 形参说明： b——双精度实型一维数组，长度为(q+1),存放ARMA(p，q)模型的滑动平均系数。 a——双精度实型一维数组，长度为(p+1),存放ARMA(p,q)模型的自回归系数。 q——整型变量,ARMA(p,q)模型的滑动平均阶数。 p——整型变量,ARMA(p,q)模型的自回归阶数。 sigma2——双精度实型变量,ARMA(p,q)模型白噪声激励的方差。 fs——双精度实型变量,采样频率(Hz)。 x——双精度实型一维数组,长度为len。当sign＝0时，存放功率谱密度；当sign＝ 1时，存放用分贝表示的功率谱密度。 freq——双精度实型一维数组，长度为len。存放功率谱密度所对应的频率。 len——整型变量，功率谱密度的数据点数。 sign——整型变量,当sign＝0时，计算功率谱密度；当sign＝1时，计算用分贝表 示的功率谱密度。
上传时间： 2015-04-09
上传用户：qiao8960
SOM神经网络，可以进行特征提取和模式分类，特别是特征维数较多的情况。
上传时间： 2014-02-26
上传用户：liglechongchong
