gavinlyy的专栏

本例中待分类的样本数据是   100  个分布在   1/4  圆弧上的矢量点。样本数据 P 采用如下方式产生： angles = 0: 0.5*pi/99: 0.5*pi; P = [ cos(angles); sin(angles) ]; 图1中绘出了样本数据的分布图。 利用   newsom  函数建立自组织网络： net = newsom ([0 1; 0 1], [9

示例一： %%(1)画出3*2栅格型SOFM的特征映射图 %T8.6 pos=gridtop(3,2); plotsom(pos) %%(2)创建和训练SOFM神经网络的MATLAB程序设计 %Example81Tr clear all; %创建SOFM网络 net=newsom([0 2;0 1],[3 2],'gridtop'); %定义输入向量 P=[0.1 0.3

第一章 介绍     1．神经网络 神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。 一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用

二维曲线绘图 语法 plot(Y) plot(X1,Y1,...) plot(X1,Y1,LineSpec,...) plot(...,'PropertyName',PropertyValue,...) plot(axes_handle,...) h = plot(...) hlines = plot('v6',...) 描述 plot(Y)如果Y是m×n的数组，以1:m为X横

采用小波变换的特点来估计图像噪声的标准方差是一种相对较好的方法, 因为小波变换后,  图像的能量主要集中在尺度大的子带, 而尺度小的高频子带系数的幅度较小、能量较低。 因此, 当噪声较大时, 可将最高频率子带的系数全部看成是噪声, 由此来估计噪声的标准方差。D onoho和 Johnstone 提出在小波域中噪声标准方差的估计公式σ = MAD /016745,  由此来估计噪声标准方差, 其中

[c,l]=wavedec(s,3,'db4'); %使用小波“db4”对信号s进行3层分解，分解的系数存到数组c中，各层分解后长度存到数组l中 ca3=appcoef(c,l,'db4',3); %用小波“db4”分解系数[c,l]中提取第3层近似系数，为低频系数 cd1=detcoef(c,l,1); %用小波“db4”分解系数[c,l]中提取第1层近似系数，为高频系数