模式识别miniproject-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计miniproject，主要功能要求如下：一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为12994像素大小。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。

通过bayes收缩得到收缩函数的阈值，以此对小波高频分量进行去噪

matlab代码，有详细解释，产生正态分布随机数据，划分训练集测试集，用Bayes分类器分类

模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者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，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。

本人研究生阶段写文档所写的Matlab代码。
包括：1、图片预处理；
2、特性提取：颜色、灰度共生矩阵、灰度差分、Harr-Like、等多个特征提取算法；
3、特性选择：从特征向量中选取无效的特性；
4、基础算法：AdaBoost的训练与测试;Bayes算法5、AdaBoost的改进：Boosting,CastBoost、FloatBoost前面一次上次没有带测试数据。
这次带上测试数据。
http://download.csdn.net/download/kofsky/4954247

陈希孺院士的经典书籍。
《高等数理统计学》的定位是“基于测度论的数理统计学基础教科书”，内容除预备知识外，主要是关于几种基本统计推断方式（点估计、区间估计、似设检验）的大小样本理论和方法，另有一章讲述线性模型的初步理论。
《高等数理统计学》的最大特色是习题及其提示的安排，占了近半的篇幅，其中除少量选摘自有关著作外，大半属作者自创，有很高的参考学习价值。
《高等数理统计学》可作为高等学校数理统计专业的教材，也可供相关专业人员作为参考用书。
总序序第1章预备知识1．1样本空间与样本分布族1．2统计决策理论的基本概念1．3统计量1．4统计量的充分性附录因子分解定理的证明第2章无偏估计与同变估计2．1风险一致最小的无偏估计2．2cramer-Rao不等式2．3估计的容许性2．4同变估计附录第3章Bayes估计与Minimax估计3．1Bayes估计——统计决策的观点3．2Bayes估计——统计推断的观点3．3Minimax估计第4章大样本估计4．1相合性4．2渐近正态性4．3极大似然估计4．4次序统计量第5章假设检验的优化理论5．1基本概念5．2一致最优检验5．3无偏检验5．4不变检验第6章大样本检验6．1似然比检验6．2拟合优度检验6．3条件检验、置换检验与秩检验第7章区间估计7．1求区间估计的方法7．2区间估计的优良性7．3容忍区间与容忍限7．4区间估计的其他方法和理论第8章线性统计模型8．1最小二乘估计8．2检验与区间估计8．3方差分析和协方差分析附录矩阵的广义逆习题

利用100个男女训练集样本，使用贝叶斯分类器判别男女。
1.采用最大似然法和贝叶斯估计的方法获得密度函数，设定不同的先验概率，观察判别结果正确率。
2.分别在男女相关不相关的情况下分析结果正确率。
3.设定不同的风险，采用最小风险的Bayes决策反复上面实验。

数据建模中分类与预测模型次要是寻求合适的分类模型并在此基础之上进行未来预测。
01预测方法02灰色预测及其matlab实现03灰色预测模型04时间序列预测模型05预测方法习题解答06基于RLS算法的数据预测与MATLAB实现07基于Bayes的数据预测

大数据十大经典算法Navie-Bayes讲授课件.ppt

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。