代码可运行，内含数据集 训练图片是第一类15张，测试图片第一类5张 训练图片是第二类15张，测试图片第二类5张 训练图片是第三类15张，测试图片第三类5张 图片集共60张，训练集图片45张，测试集图片15张 第一类图片、第二类图片、第三类图片可以缺陷识别分类，差、良、优。

matlab加噪声代码来源数量未知的PCA和MUSIC算法的贝叶斯推断 给定Y = VA + Z，如何在不过度拟合的情况下最佳估计V，A的未知维？ 对于流行的PCA模型，这是50年前的挑战（例如，因子分析，降维等） 第一次，我通过贝叶斯方法中的最大后验（MAP）估计（即，估计速度快，且具有线性复杂度）找到了针对该挑战的封闭式解决方案。 为了解决这个问题，我最终在附录中得出了全新的概率分布（即Double-gamma和Double-inverse-gamma分布）。 在仿真中，我们发现SNR = -10（dB）是对独立信号源进行准确估算（即，不过度拟合）的极限。 通过中心极限定理，我们知道三个标准差是所有平均随机变量的极值。 因此，可以通过信号加噪声百分比\ tau（Y）（即SNR> -10（dB）<=> \ tau（Y）<90> -10（dB）<=>“噪声偏差<3 *源的偏差” PS：我们将MAP方法与标准MATLAB软件包（音乐和aictest）进行了比较。 代码中的所有内容都应该清楚。 非常欢迎所有反馈！ 参考： V

人脸识别仿真,提取ORL人脸数据库的协方差矩阵S的特征值和特征向量,通过PCA降维后人脸识别+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

为了使计算机能更好的识别人脸表情，对基于Gabor小波变换的人脸表情识别方法进行了研究。首先对包含表情区域的静态灰度图像进行预处理，包括对确定的人脸表情区域进行尺寸和灰度归一化，然后利用二维Gabor小波变换提取脸部表情特征，使用快速PCA方法对提取的Gabor小波特征初步降维。再在低维的空间中，利用Fisher准则提取那些有利于分类的特征，最后用SVM分类器进行分类。实验结果表明，上述提出的方法比传统的方法识别速度更快，能达到实时性的要求，并且具有很好的鲁棒性，识别率高。

1、python程序 2、有数据集 3、里面进行了三种算法对比，遗传算法、粒子群算法和布谷鸟算法 4、有一篇类似论文

当训练非线性 C-SVM 将二维数据（2 个特征）分类为 2 个或更多类时，此代码旨在帮助可视化学习的分类器。 C = Inf 的情况给出了硬边界分类器，而 C < Inf 给出了 1-范数软边界分类器。 （参见参考文献 [2] 中的命题 6.12 和方程（7.1）） MATLAB 的 quadprog 用于求解对偶变量 a。 求解器设置为使用内点法。 高斯径向基函数 (RBF) 核用于生成非线性边界。 在二进制分类文件 (SVMtrial.m) 中：有 6 个不同的训练集可供使用。 输出是分类器的 3D 网格图和支持向量的数量。 二元分类的数据集： (1) 典型(2) 马鞍(3) 随机(4) 随机，带 1 个异常值的椭圆(5) 螺旋(6) 不平衡 + 重叠 在多类分类文件 (DAGsvm.m) 中：有 5 个不同的训练集可供使用。 输出是 K*(K-1)/2 分类器的 3D 网格

Suppot-Vector-Machine-IRIS:使用SVM对IRIS数据集进行实验

1、python程序 2、有数据集可直接运行

1、python代码 2、有数据集，直接运行

【图像去噪】基于均值+中值+高通低通+巴特沃斯+PCA+小波+维纳滤波实现图像去噪含Matlab源码