OSDN -- Desarrollar y descargar software de código abierto
Translation Status of Español translation status for es

RSS
Download List

Descripción del Proyecto

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 versión introduce el acelerado robusta Características (SURF) del detector, Características del Segmento de prueba acelerada (rápida) detector de esquinas, los modelos Limited memoria método BFGS para la optimización no lineal, y el umbral de rechazo de secuencia en secuencia clasificadores 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 versión presenta soporte para el análisis de componentes independientes, una nueva arquitectura de audio, y un gran refactorización del espacio de nombres ocultos de Markov modelos. La nueva arquitectura de audio se puede utilizar en combinación con el análisis de componentes independientes para realizar la separación en origen ciega de señales de audio. El conjunto ya amplia de granos para aplicaciones de aprendizaje automático también se ha ampliado con las versiones de los núcleos dispersos de Gauss, polinómicas, Laplaciano, sigmoide, y 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

Se hicieron grandes mejoras en la documentación. El marco cuenta con el apoyo continuo de la densidad de Modelos Ocultos de Markov, mezclas de Gauss y factorización de matriz no-negativas.
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 Página principal