模式识别的作业,包括线性分类器；最小风险贝叶斯分类器；监督学习法分层聚类分析；K－L变换提取有效特征,支持向量机

htmlwork.md

在投影锐化架构上结合 WTA、HL 和 HAR 的网络对关系进行无监督学习。 由库克等人设计。

监督学习深度学习

无监督学习

高校

生长神经气体 (GNG) 神经网络属于拓扑表示网络 (TRN) 类。 它可以学习有监督和无监督。 在这里，实现并演示了在线无监督学习模式。 它的学习方法结合了改良的 Kohonen 学习来调整神经元的位置，并结合竞争性赫布学习 (CHL) 来进行连接。 有关详细信息，请参阅参考文献。 [1]。 为了使主脚本 (gng_lax.m) 发挥作用，您必须首先使用相应的数据生成器选择并生成流形（数据）。 欲获得有关竞争性学习方法系列的详尽报告，请咨询参考。 [2]。 参考[1] Fritzke B. “A Growing Neural Gas Network Learns Topologies”，神经信息处理系统进展 7，麻省理工学院出版社，马萨诸塞州剑桥，1995 年。 [2] Fritzke B.“一些竞争性学习方法”，1997 年可在： https ://pdfs.semanticsch

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

学习

学习