OSDN -- Desenvolver e Download de Software Open Source
Estado tradução de Português translation status for pt

RSS
Download List

Projeto Descrição

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.

System Requirements

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

Esta versão introduz o céleres recursos robustos de detector (SURF), Características de Aceleração do segmento Test (FAST) cantos detector modelos, Limited memória método BFGS para otimização não-linear e limiar de rejeição seqüência em seqüência de classificadores ocultos 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

Esta versão apresenta suporte para análise de componentes independentes, uma nova arquitetura de áudio e uma refatoração principal do namespace modelos ocultos de Markov. A nova arquitetura de áudio pode ser usado em combinação com a análise de componentes independentes para realizar a separação cega de fontes de sinais de áudio. O conjunto já completo de sementes para aplicações de aprendizado de máquina também foi ampliada com versões esparsas dos kernels gaussianos, polinomial, Laplaciano, sigmóide e 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

Grandes melhorias foram feitas para a documentação. O quadro agora tem suporte para contínuo densidade Hidden Markov Models, Gaussian misturas, e não negativo Fatoração Matrix.
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 Home Page