基于Matlab平台的水果识别分类（分类器，Matlab平台版运行）

这里的文件是： 1- load_data：从csv文件导入数据2- 可视化：打印特征分布的直方图。 在名为可视化的文件夹中的训练数据中的两个类。 3-estimate_：估计给定数据的模型4-classify_：根据模型和数据进行分类5-测试：使用 alpha=1:0.1:1000 测试 Naive 分类器并在可视化文件夹中打印一个名为 (accuracy 1-1000.pdf) 的图6- InspectTheModel：尝试衡量每个类的每个特征值的影响7-jointProb：计算给定一个类的两个给定特征值的联合概率8- 互信息：计算训练数据上的互信息以驱动最可能的依赖特征对。 9- testingBonus：使用候选特征对测试朴素分类器。 要运行演示，请运行testing.m，但是根据需要更改开始，步骤和结束！

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

资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

Fisher线性分类器的MATLAB 代码，Fisher线性分类器是最基础的线性分类器，其通过降维来快速进行样本的二分

MATLAB源代码结合数据，GA优化BP神经网络的AdaBoost强预测模型

榆木分类器在线词典学习 这是在线稀疏字典学习和时间金字塔匹配的官方Matlab实现[“李南宇，司玉娟，邓铎，袁春雨ECG通过在线稀疏字典和时间金字塔匹配进行分类”，在IEEE第17届国际通信技术大会上（ICCT）]可以从中下载 兼容性 该代码使用Windows 10和Matlab 2012进行了测试。 抽象的 最近，单词袋（BOW）算法提供了有效的功能并提高了ECG分类系统的准确性。 但是，BOW算法有两个缺点：（1）。 量化误差大，重建性能差。 （2）。 它会丢失心跳的时间信息，并可能为不同类型的心跳提供令人困惑的功能。 此外，ECG分类系统可用于对心血管患者进行长时间监视和分析，同时会产生大量数据，因此我们迫切需要一种有效的压缩算法。 鉴于上述问题，我们使用小波特征构造稀疏字典，从而将量化误差降至最低。 为了降低算法的复杂性并适应大规模的心跳操作，我们将在线词典学习与特征符号算法结合起来以更新词典和系数。 系数矩阵用于表示心电图搏动，大大减少了内存消耗，同时解决了定量误差的问题。 最后，我们构造金字塔以匹配每个ECG搏动的系数。 因此，我们通过时间随机池获得包含节拍时间信息的特征。

榆木分类器分类 ELM和FLN分类该代码在matlab中生成2个clands的rand数据并将其绘制并通过ELM，FLN分类器进行分类

这个程序是关于贝叶斯分类器的MATLAB程序，前面是简介，后面是程序

基于SVM的疲劳驾驶系统。基于神经网络的非接触式疲劳驾驶检测已成为当前针对疲劳驾驶检测领域炙手可热的研究方向。它有效解决了接触式疲劳检测方法给驾驶员带来的干扰以及单一信号源对于反映疲劳程度可靠性低的问题，同时通过设计神经网络模型对多源信息进行分类，实现对疲劳状态的高精度和高速度的检测。选取合适的特征值对网络检测准确率以及准确反映疲劳程度至关重要。基于驾驶员生理信号检测可靠性和准确性较高。