搜索资源列表
svmandBPwithmatlab
- 支持向量机非线性回归通用matlab程序 支持向量机和BP神经网络非线性回归之比较研究-SVM nonlinear regression procedures common Matlab support vector machines and artificial neural networks to nonlinear In the Comparative Study
Support-vector-machine-
- 提出了一种支持矢量机的汉语声调识别新方法。论文首先在基频和对数能量的基础上，建立了一个适合于支 持矢量机分类的等维声调特征。然后对支持矢量机的多分类策略和不同核函数对声调识别的影响进行了实验研究。 与BP神经网络相比，支持矢量机具有更高的识别率和更强的推广能力。-This paper presents a novel support vector machine based Chinese tone recognition method．A new tone recognition
PCA
- 针对稀疏表示识别方法需要大量样本训练过完备字典且特征冗余度较高的问题，提出了结合过完备字典学习与PCA降维的小样本语音情感识别算法.该方法首先用PCA降维方法将特征降维，再将处理后的特征用于过完备字典训练与稀疏表示识别方法，从而给出了语音情感特征的稀疏表示方法，并确定了新算法的具体步骤.为验证其有效性，在同等特征维数下，将方法与BP, SVM进行比较，并对比、分析语音情感特征稀疏化前后对语音情感识别率、时间效率以及空间效率的影响.试验结果表明，所提出方法的识别率比SVM与BP高 与采用稀疏化前的
神经网络极速学习方法研究
- 单隐藏层前馈神经网络(Single-hidden Layer Feedforward Neural Network, SLFN)已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，但传统学习方法的速度远远不能满足实际的需要，成为制约其发展的主要瓶颈。产生这种情况的两个主要原因是：（1）传统的误差反向传播方法(back propagation，BP)主要基于梯度下降的思想，需要多次迭代；（2）网络的所有参数都需要在训练过程中迭代确定。因此算法的计算量和搜索空间很大。针对以上问题，借鉴ELM的
pattern-recognition
- 模式识别相关文章，包括SVM与BP神经网络的相关识别研究与进展-Pattern recognition related articles, including related research and development of SVM Recognition and BP neural network