用matlab对数据分类汇总

Posted 2023-05-18

有一列表头为“姓名”的表，含100个不同的姓名共同组成30000条数据（即一共有30000行），如何统计每一个姓名的数据数量 ？

x=load('1.1.1.txt');
y=[800:100:1700];
[count,edge,group]= histcounts(x,y); %获得计数，每组的边界，然后将其标号
t=table(x,group); %使原始数表和其标号后的group结合成表后就可以进行分类汇总
z=grpstats(t,'group','mean','std','var','min','max') %按照group进行分类，并指定求出某些参数 参考技术A 例子：
>> a=[2 0 0 0;2 0 0 0;1 1 0 0;2 3 1 0;2 3 1 0];
>> b=a(1,:)==2;%第一行中等于2
>> sum(b)

ans =

1

>> c=a(3,:)==1;%弟三行中等于1
>> sum(c)

ans =

2

>> 参考技术B tabulate( 姓名那一列 )本回答被提问者采纳 参考技术C 数据数量？能表达的更清楚点吗？

Matlab神经网络对指纹进行分类

我已经提取了指纹数据库的功能，然后应该应用神经网络按性别对图像进行分类。我还没有和NN合作，我知道一点。

• 应该使用什么类型的NN？它是人工神经网络还是多层感知器？
• 如果图像大小不一样，那有关系吗？

也许这方面的一些代码示例可能有所帮助。

答案

神经网络是函数逼近器。您可以将其视为分段线性拟合的高科技表亲。如果你想用一个参数来适应最复杂的现象 - 你将获得平均值，如果它不是无限有用的话，不应该感到惊讶。为了获得有用的拟合，您必须将所建模的现象的性质与NN结合起来。如果要对平面进行建模，那么您将需要多个系数（通常为3或4，具体取决于您的配方）。

这个问题背后的一个问题是“指纹的基础是什么”。根据我的意思，我指的是来自线性代数和微积分的重要包装词，它涉及向量空间，跨度和特征。一旦你知道“基础”是什么，那么你可以建立一个神经网络来近似基础，这个神经网络将给出合理的结果。

因此，当我在寻找基础上的论文时，我发现了这一点：

• http://phys.org/news/2012-02-experts-human-error-fingerprint-analysis.html
• http://phys.org/news/2013-07-fingerprint-grading.html
• http://phys.org/news/2013-04-forensic-scientists-recover-fingerprints-foods.html
• http://phys.org/news/2012-11-method-artificial-fingerprints.html
• http://phys.org/news/2011-08-chemist-contributes-method-recovering-fingerprints.html

在这里，你去了一个关于指纹基础的好文件：http://math.arizona.edu/~anewell/publications/Fingerprint_Formation.pdf

采取非常粗略的刺，你可能会尝试在narxnet（带外部输入的非线性自动回归网络）link上增加一些变化。我会增长它，直到它使用某种倍增容量来表征你的设置。我将收敛率视为“大小”的函数，以便较小的网络告知较大的收敛需要多长时间。这意味着可能需要一个非常大的网络才能完成这项工作，但是大型网络就像787一样 - 它们花费很多，需要永远建立，有时候飞得不好。

如果我很聪明，我会关注Kucken的文章，并将输入表达为某种应力场的逆模型。

祝你好运。

另一答案

您可以尝试使用SOM/LVQ网络在MATLAB中进行分类，图像大小确实很重要，您应该尝试在进行特征提取之前将图像标准化为标准尺寸。这将确保将每个特征向量分配给输入神经元。

function scan(img)
    files = dir('*.jpg');
    hist = [];
    for n = 1 : length(files)
       filename = files(n).name;
       file = imread(filename);

       hist = [hist, imhist(rgb2gray(imresize(file,[ 50 50])))]; %#ok
    end

    som = selforgmap([10 10]);
    som = train(som, hist);
    t   = som(hist); %extract class data

    net = lvqnet(10);
    net = train(net, hist, t);

    like(img, hist, files, net)
end

另一答案

没有代码示例，但本文可能会有所帮助：An Effective Fingerprint Verification Technique, Gogoi & Bhattacharyya

本文提出了一种有效的指纹验证方法，该方法基于数​​据挖掘技术，称为细节聚类和图论方法，分析指纹比对过程，给出细节的特征空间表示，并产生可检测数量的下界。明显的指纹。该方法还通过使用细节图的拓扑行为以及使用称为Hausdorff距离的距离度量来证明每个单独指纹的不变性。该方法提供了基于图的指纹生物识别数据的索引生成机制。自组织映射神经网络还用于对指纹进行分类。