set_feature_lengths_class_train_data名称set_feature_lengths_class_train_data —在训练数据中定义子功能。签名set_feature_lengths_class_train_data（：ClassTrainDataHandle，SubFeatureLength，Names：）描述set_feature_lengths_class_train_data在ClassTrainDataHandle中的训练数据中定义子功能。
create_class_train_data（运算符）名称create_class_train_data —创建用于分类器训练数据的句柄。签名create_class_train_data（：：NumDim：ClassTrainDataHandle）描述create_class_train_data创建用于分类器训练数据的句柄。该句柄在ClassTrainDataHandle中返回。特征向量的维数由NumDim指定。只能将此长度的特征向量添加到句柄。并行化多线程类型：可重入（与非排他
前言：==========================================================分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：MLP（多层神经网络neural Nets）SVM（支持向量机）K-NN（K-最邻近）GMM（高斯混合类型）分类器的应用领域主要是下面这些：image segmentation 图像分割&nbs
create_class_svm名称create_class_svm —创建用于模式分类的支持向量机。签名create_class_svm（：：NumFeatures，KernelType，KernelParam，Nu，NumClasses，Mode，预处理，NumComponents：SVMHandle）描述create_class_svm创建可用于模式分类的支持向量机。在NumFeatures中指定要分类的模式的维，在NumClasses中指定不同类的数量。对于类别可以线性分离的二
select_shapebasic'area' 面积'row' 行'column' 列'width' 宽'height' 高'row1' 左上角的行坐标'column1' 左上角的列坐标'row2' 右下角的行坐标'column2' 右下角的列坐标'circ
前言：==========================================================分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：MLP（多层神经网络neural Nets）SVM（支持向量机）K-NN（K-最邻近）GMM（高斯混合类型）分类器的应用领域主要是下面这些：image segmentation 图像分割&nbs
分类是对一组类别中单个实例对象划分的技术术语。对象，还有现有的类别，是用特定的特征来描述的，例如像素的颜色或者区域的形状。为了定义类别，特征必须被指定，例如通过已知对象的类别。在训练之后，分类器将对象的特征与有关类别的特征做比较，并返回最大匹配的类别。根据所选的分类器，类别的可能性或者分类的可行度等可能额外的信息将被给出。一般来说，可以区分两种对图像数据的分类方法。一种方法是基于单纯的像素分类，并且基于颜色或者纹理去分割图像。另一种方法则更广泛，分类任意特征，例如你可以基于区域特征去分类区域，如
前言：==========================================================分类器相对于深度学习来讲是一种古老传统的图片处理技术。halcon中常见的有四类分类器：MLP（多层神经网络neural Nets）SVM（支持向量机）K-NN（K-最邻近）GMM（高斯混合类型）分类器的应用领域主要是下面这些：image segmentation 图像分割&nbs
大数据、人工智能、海难搜救、生物医学、邮件过滤，这些看起来彼此不相关的领域之间有什么联系？答案是，它们都会用到同一个数学公式—— 贝叶斯公式。它虽然看起来很简单、很不起眼，但却有着深刻的内涵。那么贝叶斯公式是如何从默默无闻到现在广泛应用、无所不能的呢？ 一 什么是贝叶斯公式18世纪英国业余数学家托马斯·贝叶斯（Thomas Bayes，1702～1761）提出过一种看上去似乎显而易见的观点：“用客观的新信息更新我们最初关于某个事物的信念后，我们就会得到一个新的、改进了的信念。” 这个
贝叶斯法则可能是概率论中最有生命力的一个公式。它可以用来计算条件概率或者主观概率。贝叶斯法则的思想非常简单：随机事件发生的概率随着相关条件的发生而改变，一个命题真假的信念即主观概率随着相关证据的发现而改变。当正相关条件发生时，条件概率上调，当负相关条件发生时，条件概率下调。当有利证据发现时，主观概率上调，当不利证据发现时，主观概率下调。然而，贝叶斯法则具有非常深刻的哲学意义和广泛的应用价值。哲学家们用它来解决休谟归纳问题；生命科学家用它来研究基因是如何被控制的；教育学家突然意识到，学生的学习过程