有284个训练样本，273个测试样本，通过对数据的处理后进入基于LSTM的多层循环神经网络进行训练，测试样本测试准确率可达70+
2024/2/17 18:27:03
10KB
1
《数理统计与数据分析（原书第3版）》内容丰富，几乎涵盖了所有经典和前沿的概率论与数理统计理论和方法，主要包括概率、随机变量、联合分布、期望、极限定理、抽样调查、参数估计、假设检验、数据汇总、两样本比较、方差分析、分类数据分析和线性最小二乘等。
2024/2/17 10:26:14
44.76MB
1
matlabPCA的m文件。
数据集Iris是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾
数据集Iris是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾
2024/2/15 18:13:37
2KB
1
QR二维码解码C++源代码，不含DLL中间件，全套源程序，原代码全中文注释。
可以选择输入8位或24位BMP格式QR码图像，输出（包括版本号和纠错等级的）QR码译码信息。
支持QR码中文国家标准，是研究QR码译码技术的入门样本。
VS2010编译环境调试通过（工程名：QRcodeDecoder.sln），支持重新编译，直接可用。
编译后，可执行程序存放在..\release\文件夹下，程序名：QRcodeDecoder.exe
可以选择输入8位或24位BMP格式QR码图像，输出（包括版本号和纠错等级的）QR码译码信息。
支持QR码中文国家标准，是研究QR码译码技术的入门样本。
VS2010编译环境调试通过（工程名：QRcodeDecoder.sln），支持重新编译，直接可用。
编译后，可执行程序存放在..\release\文件夹下，程序名：QRcodeDecoder.exe
2024/2/15 9:30:12
43.42MB
1
实验描述:对指定数据集进行聚类分析，选择适当的聚类算法，编写程序实现，提交程序和结果报告。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
2024/2/14 17:19:40
15KB
1
CambridgeUROP2020：CYCLOPS在识别生物数据节律中的应用作者：亨利·林（HenryLim）背景昼夜节律影响生理和行为的许多方面，并调节哺乳动物的许多过程，包括体温，血压和运动能力。
由于现有的大规模数据集很少包含一天中的时间，因此识别人类分子机制具有挑战性。
为了解决这个问题，我们结合了对周期性结构，进化保护和无监督机器学习的理解，以沿着周期性周期对无序的人体活检数据进行排序。
该项目解决了从此类数据推断时间标签以识别人类和其他哺乳动物基因的昼夜节律的问题。
在本项目中研究的算法（按周期性结构的循环排序（CYCLOPS））利用进化守恒和机器学习来识别高维数据中的椭圆结构。
通过这种结构，CYCLOPS估计每个样本的相位。
我们首先使用人工生成的振荡数据，再使用按时间排序的鼠标和人类数据，对CYCLOPS进行了验证，并证明了其一致性。
介绍CYCLOPS的
由于现有的大规模数据集很少包含一天中的时间，因此识别人类分子机制具有挑战性。
为了解决这个问题，我们结合了对周期性结构，进化保护和无监督机器学习的理解，以沿着周期性周期对无序的人体活检数据进行排序。
该项目解决了从此类数据推断时间标签以识别人类和其他哺乳动物基因的昼夜节律的问题。
在本项目中研究的算法（按周期性结构的循环排序（CYCLOPS））利用进化守恒和机器学习来识别高维数据中的椭圆结构。
通过这种结构，CYCLOPS估计每个样本的相位。
我们首先使用人工生成的振荡数据，再使用按时间排序的鼠标和人类数据，对CYCLOPS进行了验证，并证明了其一致性。
介绍CYCLOPS的
2024/2/11 2:12:40
15.52MB
1
在推荐算法中，样本空间构成的数据矩阵一般为稀松矩阵，且维数一般较多，可通过求取特征值或者奇异值的方式获得样本矩阵的特征矩阵，从而降低维数。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
2024/2/3 9:17:28
360KB
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