Downloadliste

Sponsored link

Projektbeschreibung

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.

Systemanforderungen

Die Systemvoraussetzungen sind nicht definiert
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

Dieses Release enthält den beschleunigten robusten Funktionen (SURF) Detektor, Merkmale von Accelerated Segment Test (FAST) Ecken-Detektor, Limited-Speicher BFGS Verfahren zur nichtlinearen Optimierung und Schwellenwert Modelle für Sequenz Ablehnung in Hidden-Markov-Sequenz Klassifikatoren.
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

Diese Version bietet Unterstützung für Independent Component Analysis, eine neue Audio-Architektur und eine große Umgestaltung des Hidden-Markov-Modelle Namespace. Der neue Audio-Architektur in Kombination mit Independent Component Analysis verwendet werden, um Blind Source Separation von Audiosignalen durchführen. Die bereits umfassende Reihe von Kernel für maschinelles Lernen Anwendungen hat auch mit spärlichen Versionen des Gauß-, Polynom, Laplace, Sigmoid und Cauchy-Kernel erweitert worden.
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

Große Verbesserungen wurden in die Dokumentation. Das Framework unterstützt nun Kontinuierliche Dichte Hidden Markov Modelle, Gauß Mischungen und Nicht-negative Matrix-Faktorisierung.
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