说明：可以分别对1、2、3类数据进行k最近邻估计，

说明：模式识别与智能计算-Matlab技术实现 书中的例子软件，很好使，大家可以试试。

说明：清华大学 张学工的模式识别书籍电子版。第三版

说明：利用稀疏表示和特征分组来实现子空间学习的代码

说明：模式识别中近邻法，欧式距离，剪辑近邻，用于学习近邻法的基础，

说明：局部二值模式LBP+KNN分类方法人脸识别源代码,，内涵数据库，可运行

说明：模式识别的分类器设计内含４个分类器按照要求可以生成分类器并可以对分类器进行检验

说明：寻找数据中的基本规律，找出机器学习的规律。通过运行验收。

说明：visual c++ 数字图像处理技术，模式识别，很好打的参考工程和数据。

说明：这是一个动态检测的MATLAB文件，可以对视频中的动态图像分离出来。

说明：基于matlab的Iris、乳腺癌数据集的模式识别分类算法，含有 遗传算法+SVM、isodata、感知器算法、LMSE、神经网络等算法的实现代码，用于聚类效果良好，是模式识别大作业的参考资料

说明：基于大宝sod蜜塑料瓶瓶口的堵料识别程序。包含预处理和图像分割及特征提取等部分。

说明：SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine，简称SVM)。支持向量机的提出有很深的理论背景。 支持向量机方法是在后来提出的一种新方法。 SVM的主要思想可以概括为两点: 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。 它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。

说明：一个基于SVM模式识别的例子 main为主程序 主要实现了两种核矩阵的实现

说明：matlab,模式识别，基于Iris数据设计编写两类正态分布模式的贝叶斯判别程序

说明：人脸识别程序，完成人脸识别，包括人脸特征提取，模式识别

说明：双峰法阈值分割。阈值分割法是一种基于区域的图像分割技术，原理是把图像象素点分为若干类。图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

说明：清华大学模式识别的高斯混合模型，EMM算法，清华大学张长水 自动化系

说明：贝叶斯分类器-联合变量_C++，只需更改样本文件名即可测试。

说明：利用opencv资源库里自带的lbpcascade_animeface.xml，对普通人脸进行识别，如果有数据库的话，也可以自己训练学习，提取人脸特征，进行学习

说明：模糊数学m文件合集，包含模糊聚类分析，模糊模式识别，模糊综合评判。

说明：路标识别，模式识别大作业，圆形检测点；function [x, y] = circlepoints(r)

说明：路标识别，模式识别大作业，圆形检测二；function peaks = circle_houghpeaks(h, radii, varargin)

说明：路标识别，模式识别大作业，圆形检测；检测彩色路标，直方图均衡化，提取圆形路标，增强提取目标，二值化,提取路标中的指示图，中值滤波，平滑滤波，图像边框处理，链码生成及识别

说明：路标识别，模式识别大作业，主程序；检测彩色路标，直方图均衡化，提取圆形路标，增强提取目标，二值化,提取路标中的指示图，中值滤波，平滑滤波，图像边框处理，链码生成及识别

说明：模式识别matlab工具包,包含常见的模式识别方法的源程序

说明：模式识别与智能计算——Matlab技术实现 书本章节源代码

说明：将模式识别和机械中的故障诊断结合。结合实例和程序，验证出方法的有效性，内附文档和代码，运行无错误。

说明：利用PSO-LSSVM算法实现模式识别功能

说明：模式识别与机器学习，经典教材，实例丰富，清华大学出版社出版