日韩精品极品在线观看,久久免费视频这里只有精品,欧美日韩中文精品

相似性

基于dsp的目標跟蹤和檢測算法的研究和實現

基于dsp的目標跟蹤和檢測算法的研究和實現，研究了圖像跟蹤系統的基本工作原理，以及圖像跟蹤和相關匹配所使用的一些基本技術。詳細介紹了SUSAN算子在邊緣檢測和角點檢測方面的應用。并基于SSCD相似性度量準則提出了一個新的加權的SSCD準則，并對幾種度量準則進行對比分析，最后在選取模板和模板更新上選用了多子模板的策略，這樣能更有效的減小部分遮擋和旋轉帶來的影響。

標簽： dsp 目標跟蹤測算法的研究

上傳時間： 2014-01-02

上傳用戶：zq70996813
算法描述： K均值算法：給定類的個數K

算法描述： K均值算法：給定類的個數K，將N個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小。

標簽： 算法 K均值算法

上傳時間： 2014-01-02

上傳用戶：TRIFCT
c語言的k均值聚類算法。給定類的個數K

c語言的k均值聚類算法。給定類的個數K，將N個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小的算法。

標簽： c語言均值聚類算法

上傳時間： 2014-01-20

上傳用戶：woshiayin
用java寫的DTW程序組合

用java寫的DTW程序組合，可用于進行動態彎曲路徑的計算和時間序列相似性比較

標簽： java DTW 程序組合

上傳時間： 2013-12-16

上傳用戶：hfmm633
一種基于方向信息的魯棒型Hausdorff距離匹配方法。該方法采用方向信息提取圖像邊緣,通過計算邊緣匹配率( edge matching rate, EMR)獲得候選匹配區域,然后采用修正后的Ha

一種基于方向信息的魯棒型Hausdorff距離匹配方法。該方法采用方向信息提取圖像邊緣,通過計算邊緣匹配率( edge matching rate, EMR)獲得候選匹配區域,然后采用修正后的Hausdorff距離構造 相似性測度。實驗結果表明,該方法加快了匹配過程,提高了抗噪性能,并能夠準確匹配含有遮擋和偽邊緣點的圖像,從而解決了基于傳統Hausdorff距離匹配方法因噪聲點、偽邊緣點和出格點而造成的誤匹配問題。

標簽： Hausdorff matching edge rate

上傳時間： 2017-01-27

上傳用戶：z1191176801
孫即祥

孫即祥，現代模式識別，第2.4.2節關于相似性閾值聚類仿真實驗。

標簽：

上傳時間： 2017-04-09

上傳用戶：asdfasdfd
K均值算法：給定類的個數K

K均值算法：給定類的個數K，將N個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小

標簽： K均值算法

上傳時間： 2014-01-05

上傳用戶：wangyi39
abstract class和interface是Java語言中對于抽象類定義進行支持的兩種機制

abstract class和interface是Java語言中對于抽象類定義進行支持的兩種機制，正是由于這兩種機制的存在，才賦予了Java強大的面向對象能力。abstract class和interface之間在對于抽象類定義的支持方面具有很大的相似性，甚至可以相互替換，因此很多開發者在進行抽象類定義時對于abstract class和interface的選擇顯得比較隨意。其實，兩者之間還是有很大的區別的，對于它們的選擇甚至反映出對于問題領域本質的理解、對于設計意圖的理解是否正確、合理。本文將對它們之間的區別進行一番剖析，試圖給開發者提供一個在二者之間進行選擇的依據。

標簽： interface abstract class Java

上傳時間： 2014-12-01

上傳用戶：refent
MEMS中的封裝技術研究

MEMS中的封裝工藝與半導體工藝中的封裝具有一定的相似性!因此!早期MEMS的封裝大多借用半導體中現成的工藝%本文首先介紹了封裝的主要形式!然后著重闡述了晶圓級封裝與芯片級封裝&!’%最后給出了一些商業化的實例%

標簽： MEMS 封裝技術研究

上傳時間： 2016-07-26

上傳用戶：leishenzhichui
數據挖掘-聚類-K-means算法Java實現

K-Means算法是最古老也是應用最廣泛的聚類算法，它使用質心定義原型，質心是一組點的均值，通常該算法用于n維連續空間中的對象。 K-Means算法流程 step1：選擇K個點作為初始質心 step2：repeat 將每個點指派到最近的質心，形成K個簇重新計算每個簇的質心 until 質心不在變化例如下圖的樣本集，初始選擇是三個質心比較集中，但是迭代3次之后，質心趨于穩定，并將樣本集分為3部分我們對每一個步驟都進行分析 step1：選擇K個點作為初始質心這一步首先要知道K的值，也就是說K是手動設置的，而不是像EM算法那樣自動聚類成n個簇其次，如何選擇初始質心最簡單的方式無異于，隨機選取質心了，然后多次運行，取效果最好的那個結果。這個方法，簡單但不見得有效，有很大的可能是得到局部最優。另一種復雜的方式是，隨機選取一個質心，然后計算離這個質心最遠的樣本點，對于每個后繼質心都選取已經選取過的質心的最遠點。使用這種方式，可以確保質心是隨機的，并且是散開的。 step2：repeat 將每個點指派到最近的質心，形成K個簇重新計算每個簇的質心 until 質心不在變化如何定義最近的概念，對于歐式空間中的點，可以使用歐式空間，對于文檔可以用余弦相似性等等。對于給定的數據，可能適應與多種合適的鄰近性度量。

標簽： K-means Java 數據挖掘聚類算法

上傳時間： 2018-11-27

上傳用戶：1159474180

<s id="isa64"></s>