本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

通过使用模糊认知图来模拟分类过程，构造了一种模糊认知图分类器，提出了它的两种模糊认知图分类模型，并在此基础上给出了使用它进行分类的推理机制。实验证明，该方法具有良好的分类性能。

手语是听力障碍人士交流的媒介。 它使用手势而不是声音来传达意义。 它结合了手的形状、手、手臂或身体的方向和运动、面部表情和唇形来传达信息。 不同类型的项目是针对聋哑人、听力障碍的人进行的。 提出了一种用于手语识别的具有计算机人机界面的系统。 但是该项目存在全国范围内的差异。 该项目的主要思想是设计一个系统，用于在任何公共场所与外界进行交流，从而无需在公共场所进行口译。 在那个项目中，我们需要以数字符号的印度手语为数据库形式的孤立图像。 普通相机可用于获取此数字符号。 主成分分析 (PCA) 用于预处理，其中删除冗余和不需要的数据。

从数学角度来说，分类问题可做如下定义：       已知集合： 和 ，确定映射规则 ，使得任意 有且仅有一个 使得 成立。（不考虑模糊数学里的模糊集情况）       其中C叫做类别集合，其中每一个元素是一个类别，而I叫做项集合，其中每一个元素是一个待分类项，f叫做分类器。分类算法的任务就是构造分类器f。 这个定理解决了现实生活里经常遇到的问题：已知某条件概率，如何得到两个事件交换后的概率，也就是在已知P(A|B)的情况下如何求得P(B|A)。 条件概率： 表示事件B已经发生的前提下，事件A发生的概率，叫做事件B发生下事件A的条件概率。其基本求解公式为： 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。通俗来说，就好比这么个道理，你在街上看到一个黑人，

基于最小错误概率的贝叶斯分类器

随机森林分类器

性格 基于Web的字符排序器。 允许用户手动完成一组集合中他们喜欢的字符的手动合并。 特征 完全是客户端，不需要后端服务器。 根据基于JSON的过滤器过滤掉字符。 排序器结果的共享链接。 排序器数据的版本控制-您可能希望随着时间的推移添加字符和资源。 版本控制使可共享链接保持有效，即使更改了基本字符数据也是如此。 此仓库中的版本是为游戏系列中的角色而打造的，但可以轻松地编辑分类器以创建所需的任何自定义分类器。 相关分拣机 其他一些人根据其他概念和系列创建了其他分拣机，请！ 创建自己的分拣机 这是您需要为每个文件的排序器更改的内容的列表。 index.html 排序者名称：在starting start button和<title>标记下更改。 起始横幅图片：120px x 180px，在left sort image和right sort image 。 OpenGrap

Udacity Capstone项目狗品种分类器 Udacity Capstone项目狗品种分类器 项目概况 提议的问题是对狗和人的图像进行分类，以估计更接近犬的品种。 给定狗的图像，该算法将识别犬的品种的估计值。 如果提供了人像，则代码将识别出类似狗的品种。 从初始数据集中，将存储图像的子集以进行测试，以测量估计的质量。 项目说明 该代码是使用AWS Sagemaker的笔记本实例开发的。 一切都旨在与jupyter实验室环境pytorch_p36一起使用，并利用SageMaker培训和端点功能。 数据集 。 它包含133个品种的狗图像。 。 它包含用于训练面部检测器的名人图像。 目录和文件 haarcascades /：文件夹，其中包含opencv进行面部检测所需的xml文件。 images /：测试笔记本的图像。 lambda /：包含带有lambda功能代码的文件的文件夹。

【SVM分类】基于自适应蚁狮算法优化SVM分类器实现胃肠道病变附matlab代码

基于分词与BP网络的文本分类 首先下载整个文件，BP文本分类-语义特征提取.rar主要存放了相关的数据集 代码主要包括： 1.特征提取 首先对文本信息进行分词处理，采用基于字符串匹配的方法： 依次截取一到多个词，并与字典库进行匹配。如二狗，如果匹配到字典中有这个词，则将其分为一个词；发现字典中没有与之匹配的，则说明这个不是一个词语，进行顺序操作， 2.得到分词后的文本之后，就是转换成数字编码，因此电脑没办法识别汉字。这一部分叫特征表示，即用数字的方式表示中文文本，采用的方法是基于词带模型的特征表示 3.通过2我们将文本表示成了数字，但是这样的表示通常都是稀疏的，为此我们利用降维方法，消除掉这些冗余特征。 4. 文本分类，采用的就是bp网络（1）如pca的降维数，维数过高，包含冗余数据，过低又会删除掉重要信息。（2）bp网络结构的调整，如隐含层节点数，学习率等