学习信息论时的作业，利用信息论中判别唯一可译码的简单方法，使用Python对输入的码字进行判断是否为唯一可译码，并输出判断结果和尾随后缀集F。

基于核函数的Fisher分类判别，用于比同种类的分类。

实验基于ORL标准人脸数据库，包含可视化界面ORL标准人脸识别库包含40个人的人脸数据组，本次实验选取其中4个人的图像。4个人共40张图像，选取每个人的十张图像的前八张图像作为训练集，最后两张作为测试集，以此检验Fisher判别准则函数的实际效果。

偏最小二乘判别式的类分离评估使用 Hotelling 的 T2 进行分析或主成分分析。 输入数据：具有 N 个样本和 M 个变量的 N x M 矩阵classVec：带有数字类标签的 N x 1 向量 参考AM Goodpaster，马肯尼迪，Chemom。 英特尔。 实验室系统。 109, 162–170 (2011)。

LLDA，局部线性判别分析，可以降到任意的维度，相比LDA更加优秀

模式识别课程设计报告、课程实验报告 个人从网上找的资料然后运行、截图并总结。希望对大家有用。 声明：手写数字识别系统没有程序，因为我们的老师没要求我们写程序。但网上这种代码很多，很容易找到。

用C++实现唯一可译码的判别,运行程序后，手动输入待判别的序列，即可判断出是否是唯一可译码

模式识别 Fisher线性判别理论及其应用

对常用的突水水源判别方法进行了概述,阐明了其适用条件,为选择合适的方法提供了依据。以石壕煤矿为例,利用BP神经网络方法,选择矿化度、p H值、总硬度、Ca2++Mg2+、K++Na+以及涌水量作为判别因子,建立了水源判别模型,经过样本训练和模型验证,其判别结果与实际基本一致,验证了人工神经网络方法在突水水源判别上的准确性。

进化算法（EA）是一种随机优化方法，在过去的几十年中，经证明它们能有效解决许多现实难题。 但是直到现在，我们仍然缺乏有效的方法来表示和研究它们在各种环境中的集体行为，这对于进化计算的研究人员和工程师更好地理解算法非常有用。 本文是解决上述问题的初步方法。 我们尝试通过一种称为特征学习的方法来分析EA的一代式集体行为。 提出了一种基于慢特征分析（SFA）的无监督特征学习框架，用于从不同适应度环境下的多个EA的世代集体行为数据中提取判别特征，目的是找出搜索行为之间是否存在差异。在同一健身环境中运行的不同EA的数量； 以及在不同适应度环境下运行的一种算法的行为之间是否存在差异。 此外，还研究了健身环境与EA搜索行为之间的关系。 在实验中，选择了几种典型的EA和具有典型景观的经典基准功能作为研究对象。 在提取的特征空间中可视化并比较了各种EA的集体行为。