实验目的：实现6种（2ASK、4ASK、2FSK、4FSK、2PSK、4PSK）调制信号自动调制识别。
实验条件：windows10，MATLAB2014a实验内容：本实验设计了一个分层结构的MLP神经网络分类器。
该分类器使用BP算法，自顺应改变判决门限，6种调制信号的整体平均识别率为96.94。
实验条件：windows10，MATLAB2014a实验内容：本实验设计了一个分层结构的MLP神经网络分类器。
该分类器使用BP算法，自顺应改变判决门限，6种调制信号的整体平均识别率为96.94。
2023/2/18 21:23:17
432KB
1
模式识别miniproject-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计miniproject，主要功能要求如下：一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为12994像素大小。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。
在签名图像进行特征提取时，提取6个ET1和6个DT12轮廓特征。
每一个人的手写签名特征假设为48维特征空间的多维高斯分布。
用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。
分别计算closetest和opentest下的分类功能。
根据每个类的概率分布函数的最近邻估算来计算贝叶斯识别的opentest识别率。
适用kn最近邻法来直接估算每个类在每个测试样本的后验概率并计算opentest下的分类功能，将该识别率表示为一个关于k的函数并绘图。
这些是基于后验概率的非参数估计的贝叶斯估计。
2023/1/30 10:20:44
816KB
1
车牌识别零碎大多都是基于PC平台的，其优势是实现容易，但是成本高、实时性不强、稳定性不高等缺点使其不能广泛推广。
为了克服以上的缺点，且满足识别速度和识别率的要求，本文在原有车牌识别硬件零碎设计的基础上做了一定的改进(原零碎在图像采集、接口通信、零碎稳定、脱机工作等方面存在一定问题)，设计出了新的车牌识别硬件零碎，采用单DSP+FPGA和双DSP+FPGA双板子的方式来共同实现
为了克服以上的缺点，且满足识别速度和识别率的要求，本文在原有车牌识别硬件零碎设计的基础上做了一定的改进(原零碎在图像采集、接口通信、零碎稳定、脱机工作等方面存在一定问题)，设计出了新的车牌识别硬件零碎，采用单DSP+FPGA和双DSP+FPGA双板子的方式来共同实现
2023/1/18 3:22:37
6.38MB
1
针对原有手工取样检测法在嘴棒质量监控中对异常的识别率低，牵扯人力成本高等问题，以自动化、精准化异常识别及报警为目的，采用图形化的嘴棒质量管理方法，提供嘴棒指令，实现自动报警功能，为烟厂提供准确、及时、完整的异常信息，保证卷烟质量的稳定。
实验结果表明，异常报警率从系统实施前的81.4%提升至实施后的100％，证明系统能较好地监测嘴棒生产的实际情况，提高质量管控水平。
实验结果表明，异常报警率从系统实施前的81.4%提升至实施后的100％，证明系统能较好地监测嘴棒生产的实际情况，提高质量管控水平。
2020/5/21 20:01:48
1.26MB
1
针对原有手工取样检测法在嘴棒质量监控中对异常的识别率低，牵扯人力成本高等问题，以自动化、精准化异常识别及报警为目的，采用图形化的嘴棒质量管理方法，提供嘴棒指令，实现自动报警功能，为烟厂提供准确、及时、完整的异常信息，保证卷烟质量的稳定。
实验结果表明，异常报警率从系统实施前的81.4%提升至实施后的100％，证明系统能较好地监测嘴棒生产的实际情况，提高质量管控水平。
实验结果表明，异常报警率从系统实施前的81.4%提升至实施后的100％，证明系统能较好地监测嘴棒生产的实际情况，提高质量管控水平。
2020/5/21 20:01:48
1.26MB
1
完满验证码识别系统V3.2.1.包含了多种语言调用的例子.识别率很高.附件采用7zip极限压缩.解压后文件夹大小有31.9MB.
2015/1/4 17:57:56
7.15MB
1
提取了一种手势识别的算法，通过皮肤颜色模型将手势分割出来，然后追踪其边缘，再通过傅里叶零碎作为特征向量进行识别。
识别率很高的。
识别率很高的。
2015/5/21 4:31:25
4KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB