深入研究灰度共生矩阵算法,结合和差统计法对其进行改进。
编码实现改进的图像纹理提取算法,并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。
通过训练和测试证明,该系统能减少特征提取的计算时间和存储空间,并可达到良好的图像分类效果
编码实现改进的图像纹理提取算法,并采用基于径向基内积函数内核的支持向量机方法对图像分类效果进行实验。
通过训练和测试证明,该系统能减少特征提取的计算时间和存储空间,并可达到良好的图像分类效果
2024/9/15 2:45:17
315KB
1
顺序拟合动机如果我们有一个只能采样的未知函数f(x)，我们可以选择一个以参数向量p特征的已知函数g(x,p)。
用最小二乘法，我们可以找到p最小化的总和-的平方误差\sum_{x\inX}(g(x,p)-f(x))^2以设定的采样点的X。
如果评估f昂贵，那么仔细选择采样点符合我们的利益。
假设我们的模型已经很不错了，我们可以使用它来找出下一步要采样的地方。
猜测要采样的点是x^*，其中g(x^*,p)的p梯度尽可能大（这是我们最有可能从采样中学到的东西）的地方。
我们还希望避免在同一位置多次采样。
该程序包实现了这种顺序采样方法。
使用范例usingSequentialFit,Plotsgaussian(x,mu,sigma)=exp(-((x-mu)/sigma)^2)functionexpensiveFunction(x
用最小二乘法，我们可以找到p最小化的总和-的平方误差\sum_{x\inX}(g(x,p)-f(x))^2以设定的采样点的X。
如果评估f昂贵，那么仔细选择采样点符合我们的利益。
假设我们的模型已经很不错了，我们可以使用它来找出下一步要采样的地方。
猜测要采样的点是x^*，其中g(x^*,p)的p梯度尽可能大（这是我们最有可能从采样中学到的东西）的地方。
我们还希望避免在同一位置多次采样。
该程序包实现了这种顺序采样方法。
使用范例usingSequentialFit,Plotsgaussian(x,mu,sigma)=exp(-((x-mu)/sigma)^2)functionexpensiveFunction(x
2024/9/13 15:18:32
143KB
1
在matlab中，使用此工具进行样本训练和预测。
经典版本1.5，本机使用过，强力推荐。
速度略好于libsvm。
经典版本1.5，本机使用过，强力推荐。
速度略好于libsvm。
2024/9/8 19:11:16
399KB
1
研究深度学习和卷积神经网络的同学都知道Mnist这个数据库，它是一个手写数字的图像数据集，可以用来作为网络训练的基准测试数据库。
原版数据集是以特定格式存储的四个文件，包括乱序排列的60000个训练样本与10000个测试样本，以及它们对应的标签向量。
现将其中的图片从原文件中读取出来，重新转化为png格式，并将测试集和训练集分别按0~9进行分类，并存放在各自的子文件夹中，以便各位同学进行科研与实验之用。
原数据集下载地址为：http://yann.lecun.com/exdb/mnist/
原版数据集是以特定格式存储的四个文件，包括乱序排列的60000个训练样本与10000个测试样本，以及它们对应的标签向量。
现将其中的图片从原文件中读取出来，重新转化为png格式，并将测试集和训练集分别按0~9进行分类，并存放在各自的子文件夹中，以便各位同学进行科研与实验之用。
原数据集下载地址为：http://yann.lecun.com/exdb/mnist/
2024/9/8 13:11:22
22.3MB
1
目的：使用CNN卷积神经网络实现语音识别步骤：（1）预处理。
首尾端的静音切除，降低对后续步骤造成的干扰，然后进行声音分帧，把声音切开成帧，，各帧之间一般是有交叠。
（2）特征提取。
运用的算法为倒谱系数（MFCC），把每一帧波形变成一个包含声音信息的多维向量；
（3）RNN模型训练。
有了特征，就可以使用TensorFlow完成模型的建立和训练了。
（4）验证模型。
目标：对相应的声音数据进行分类，例如数据的是数数的数据，能够输出对应的数字。
首尾端的静音切除，降低对后续步骤造成的干扰，然后进行声音分帧，把声音切开成帧，，各帧之间一般是有交叠。
（2）特征提取。
运用的算法为倒谱系数（MFCC），把每一帧波形变成一个包含声音信息的多维向量；
（3）RNN模型训练。
有了特征，就可以使用TensorFlow完成模型的建立和训练了。
（4）验证模型。
目标：对相应的声音数据进行分类，例如数据的是数数的数据，能够输出对应的数字。
2024/9/7 10:11:28
5KB
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