OSDN -- Développer et télécharger des logiciels Open Source
Traduction statut du Français translation status for fr

RSS
Télécharger la liste

Description du projet

Accord.NET provides statistical analysis, machine learning, image processing, and computer vision methods for .NET applications. The Accord.NET Framework extends the popular AForge.NET with new features, adding to a more complete environment for scientific computing in .NET.

Système requise

System requirement is not defined
Information regarding Project Releases and Project Resources. Note that the information here is a quote from Freecode.com page, and the downloads themselves may not be hosted on OSDN.

2011-04-02 05:53
2.1.6

Cette version introduit la accéléré robuste Caractéristiques (SURF) détecteur, Caractéristiques du segment des tests accélérés (FAST) coins du détecteur, les modèles Limited mémoire BFGS méthode d'optimisation non-linéaire, et le seuil de rejet de séquence dans les classificateurs séquence caché de Markov.
This release introduces the Speeded-Up Robust Features (SURF) detector, Features from Accelerated Segment Test (FAST) corners detector, Limited-memory BFGS method for non-linear optimization, and threshold models for sequence rejection in hidden Markov sequence classifiers.

2011-02-22 00:17
2.1.5

Cette version introduit le support pour l'analyse en composantes indépendantes, une nouvelle architecture audio, et une modification majeure des modèles de Markov cachés espace de noms. La nouvelle architecture audio peut être utilisé en combinaison avec une analyse en composantes indépendantes pour assurer la séparation aveugle de sources de signaux audio. L'ensemble déjà complet de grains pour les applications de l'apprentissage automatique a également été élargie avec les versions rares de l'noyaux gaussiens, polynomiale, Laplacien, sigmoïde, et Cauchy.
This release introduces support for independent component analysis, a new audio architecture, and a major refactoring of the hidden Markov models namespace. The new audio architecture can be used in combination with independent component analysis to perform blind source separation of audio signals. The already comprehensive set of kernels for machine learning applications has also been expanded with sparse versions of the Gaussian, Polynomial, Laplacian, Sigmoid, and Cauchy kernels.

2010-11-04 02:10
2.1.3

De grandes améliorations ont été apportées à la documentation. Le cadre a désormais en charge continue de densité modèles de Markov cachés, les mixtures de gaussiennes, et non négative factorisation de la matrice.
Great improvements were made to the documentation. The framework now has support for Continuous density Hidden Markov Models, Gaussian Mixtures, and Non-negative Matrix Factorization.

Project Resources

Project Page Page d'accueil