识别0-9十个数字，BP神经网络数字识别源代码使用说明第一步：训练网络。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
2024/3/24 15:29:46
59KB
1
(代码简洁,绝对可用)使用python将24位或者16位图像转换为8位图像，用于labelme标记的MASK_RCNN进行样本训练,自己的样本数据是24位就是用这代码进行转换成8位,样本已训练成功.(16位亦可用).
2024/3/15 14:17:35
917B
1
hog+svm图像二分类*（MATLAB版本），需要安装libsvm工具箱（环境是MATLAB2014a+libsvm3.23）。
里面包含正负样本集图片。
里面包含正负样本集图片。
2024/3/13 8:21:31
2.25MB
1
决策树方法在分类、预测、规则提取等领域有着广泛应用。
在20世纪70年代后期和80年代初期，机器学习研究者J.RossQuinilan提出了ID3[5-2]算法以后，决策树在机器学习、数据挖掘邻域得到极大的发展。
Quinilan后来又提出了C4.5，成为新的监督学习算法。
1984年几位统计学家提出了CART分类算法。
ID3和ART算法大约同时被提出，但都是采用类似的方法从训练样本中学习决策树。
在20世纪70年代后期和80年代初期，机器学习研究者J.RossQuinilan提出了ID3[5-2]算法以后，决策树在机器学习、数据挖掘邻域得到极大的发展。
Quinilan后来又提出了C4.5，成为新的监督学习算法。
1984年几位统计学家提出了CART分类算法。
ID3和ART算法大约同时被提出，但都是采用类似的方法从训练样本中学习决策树。
2024/3/11 4:56:35
1.4MB
1
对数据降维，进一步精选数据，ELM最大的特点是对于传统的神经网络，尤其是单隐层前馈神经网络(SLFNs)，在保证学习精度的前提下比传统的学习算法速度更快。
内部附有两类样本数据可供使用。
内部附有两类样本数据可供使用。
2024/3/7 18:38:05
18.06MB
1
由于神经网络具有拟合非线性的能力,所以可以用神经网络来处理内部模型的非线性特性,因此这种内部模型采用神经网络的非线性PLS方法得到了广泛的应用。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
传统的前馈神经网络在训练中采用梯度学习算法,网络中的参数需要迭代更新,不仅训练时间长,而且容易导致局部极小和过度训练等问题,另外其多隐层的结构也导致了样本训练速度慢,训练误差大"此外,Bartlett提出对于已达到最小训练误差的前馈神经网络,权值越小泛化特性越好,而传统的梯度学习算法仅仅考虑训练误差最小,忽视了权值大小对网络的影响,这些问题都将影响到模型的泛化特性。
2024/3/4 2:50:15
16KB
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