深度信念网络，有代码，有实例，有数据。
用于深度网络预训练。
深度信念网络，有代码，有实例，有数据。
用于深度网络预训练。
用于深度网络预训练。
深度信念网络，有代码，有实例，有数据。
用于深度网络预训练。
2025/4/27 15:11:22
42.67MB
1
代码分为read_can_use.m和main_can_ues.m先运行read_can_use.m读取图片的像素值，使用奇异值分解的方法得到对应的特征。
程序预设了只读取前5个人的人脸图片，可以自己改成最多15个人。
然后运行main_can_use.m，程序会输出112323，每个数字代表一张图片最有可能的识别类别（就是人的编号）。
对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。
所以共有35个训练样本，20个测试样本。
比如输出的结果是111122123333…..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2212中的那个1就是预测错误（本来是2预测成了1）。
由于参数的随机初始化，不保证每次的结果都相同。
程序预设了只读取前5个人的人脸图片，可以自己改成最多15个人。
然后运行main_can_use.m，程序会输出112323，每个数字代表一张图片最有可能的识别类别（就是人的编号）。
对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。
所以共有35个训练样本，20个测试样本。
比如输出的结果是111122123333…..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2212中的那个1就是预测错误（本来是2预测成了1）。
由于参数的随机初始化，不保证每次的结果都相同。
2025/4/25 5:01:34
1.39MB
1
研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.
2025/4/23 15:28:28
657KB
1
一种基于K-SVD和正交匹配追踪算法（OMP）相结合的信号去噪算法。
该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典，然后基于训练完成的超完备字典，用OMP算法把一定数量的字典原子进行线性组合来构成原始信号，从而实现信号的去噪。
该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典，然后基于训练完成的超完备字典，用OMP算法把一定数量的字典原子进行线性组合来构成原始信号，从而实现信号的去噪。
2025/4/22 3:46:23
76KB
1
绘制fasterrcnnend-to-end训练方式的loss曲线，总的loss图，和4部分bboxloss/clsloss/rpnclsloss/rpnboxloss
2025/4/21 22:21:52
3KB
1
OPENCVANN(类神经网路)手写数字辨识(opencv249_ann_digital_number)资料来源:https://blog.csdn.net/cherrywish/article/details/78761411https://blog.csdn.net/qq_15947787/article/details/51385861opencv249_ann_digital_number01-彩色转灰阶imread、改变图像解析度resize、灰阶转二值化threshold、二维数据转一维数据reshape、影像数据转ML运算数据convertTo、类神经CvANN_MLP、取出ML运算结果minMaxLoc目前训练结果-128,128*2,10opencv249_ann_digital_number02-彩色转灰阶imread、改变图像解析度resize、灰阶转二值化threshold、二维数据转一维数据reshape、影像数据转ML运算数据convertTo、类神经CvANN_MLP、取出ML运算结果minMaxLoc目前训练结果-128,128*2,10一亿次或10万分之一的误差为中止条件
2025/4/21 19:02:55
38.79MB
1
pythondlib库，训练人脸的68个特征点检测器。
包含数据集，源码。
详细可以参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78511923
包含数据集，源码。
详细可以参考我的博客：http://blog.csdn.net/hongbin_xu/article/details/78511923
2025/4/20 13:22:33
12.77MB
1
香港城市大学语料库（1772202字，训练集）、微软亚洲研究院语料库（1089050字，训练集）、北京大学语料库（1833177字，训练集）
2025/4/19 8:10:18
41.84MB
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