针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。
该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。
为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。
将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。
该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。
为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。
将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。
2024/12/10 15:53:52
1.25MB
1
超分辨率AlexZhao，SisiJia和RickyHo编写的CS1682020年Spring最终项目“评估超分辨率MRI的机器学习方法”的代码。
感谢部分代码的原始作者@movehand（movehand/raisr），@icpm（icpm/super-resolution）和@t5eng（t5eng/fsrcnn_pytorch）。
可在找到用于训练，验证和测试的IXI数据集。
BSDS300数据集可在找到。
归功于Lüsebrink等。
对于找到的7T数据集。
感谢部分代码的原始作者@movehand（movehand/raisr），@icpm（icpm/super-resolution）和@t5eng（t5eng/fsrcnn_pytorch）。
可在找到用于训练，验证和测试的IXI数据集。
BSDS300数据集可在找到。
归功于Lüsebrink等。
对于找到的7T数据集。
2024/12/6 18:29:21
314.31MB
1
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。
2024/12/5 8:55:53
60KB
1
利用SVM实现了对简单两类场景的彩色图像的分割，主要在于准备工作中trainingdata和labelsdata的训练过程。
2024/12/2 3:41:24
10.51MB
1
有整一套代码和数据库，其中还有论文和答辩ppt1．综述国内一些人才招聘系统的现状和发展前景；
2．深入了解基于B/S系统的优势及特点；
3．熟练掌握Oracle的数据库的使用及sql语句的编写；
4．熟练掌握并学习当下流行的开发框架；
5．深入分析网上人才招聘系统的关键技术与编写语言；
6．设计并实现有关于网上人才招聘系统的功能；
7．训练检索文献资料和利用文献资料的能力；
8．训练撰写技术文档与学位论文的能力。
2．深入了解基于B/S系统的优势及特点；
3．熟练掌握Oracle的数据库的使用及sql语句的编写；
4．熟练掌握并学习当下流行的开发框架；
5．深入分析网上人才招聘系统的关键技术与编写语言；
6．设计并实现有关于网上人才招聘系统的功能；
7．训练检索文献资料和利用文献资料的能力；
8．训练撰写技术文档与学位论文的能力。
2024/12/1 4:26:44
8.66MB
1
最全的人脸数据库，包含AT&T的人脸库、MIT人脸库、ORL人脸库、Yale人脸库。
本资源可以为做人脸识别的同志们提供一些样本库，方便进行样本训练。
本资源可以为做人脸识别的同志们提供一些样本库，方便进行样本训练。
2024/12/1 2:04:34
18.78MB
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