麻雀算法为2020年的新算法，这里用麻雀算法（SSA）优化支持向量机，并以滚动轴承故障诊断为例子，代码注释较全，适合新手，可以跑出来，本人亲身测试过，绝对可以。
2022/10/3 22:15:46
107KB
1
这是一份基于支持向量机（SVM）的手写字体识别源代码（Python版本），目前只支持二分类识别。
完成了快速SMO算法。
完成了快速SMO算法。
2017/5/24 15:35:28
11KB
1
基本部分：1）生成单音干扰、多音干扰、宽带噪声干扰、部分频带噪声干扰、宽带梳状谱干扰、线性调频干扰等6种通信干扰信号；
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2）选择合适的特征参数，采用决策树法实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
扩展部分：选择合适的特征参数，采用NN或者SVM机器学习实现对上述干扰信号的识别，高斯白噪声信道，干噪比(JNR)为0~15dB，识别正确率大于95%。
实验次要完成了三部分工作。
1.通信干扰信号的生成。
对6种干扰信号进行了仿真。
2.特征参数的提取和讨论。
对时域和频域的参数进行了提取，分析了不同JNR下的参数变化趋势，以及不同干扰信号之间的差异。
3.基于特征参数的分类。
选择合适的特征参数，分别使用决策树法、支持向量机法以及神经网络法对干扰信号进行了分类。
2018/6/7 15:27:17
514KB
1
基于支持向量机的自顺应与优化，包含论文SVMIncrementalLearningAdaptationandOptimization-DiehlandCauwenberghs-2003的文章和源代码
2020/9/5 14:04:10
152KB
1
这是SVM的具体代码，里面有详细的阐明使用和测试图片，欢迎下载。
SVM(SupportVectorMachine)指的是支持向量机，是常见的一种判别方法。
在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。
SVM(SupportVectorMachine)指的是支持向量机，是常见的一种判别方法。
在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。
2015/6/20 23:38:57
820KB
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