BP神经网络（鸢尾花分类）C++代码.rar将Iris（鸢尾花）数据集分为训练集（Iris-train.txt）和测试集（Iris-test.txt），分别含75个样本，每个集合中每种花各有25个样本。
2025/10/22 7:14:36
3KB
1
由于原文件超出220M，需要原始文件的请下载好该文件后私信我，我会提供原始CSV文件，如有需要，还可以提供原始网络流量数据.pcap格式的。
分数要求不高，只是因为我是研究这个方向的，希望有志之士可以一起探讨。
使用该数据集同样需要注明出处，请私信我。
我在做这个方向时，花了很长时间找数据集，除了上传的，还有其他的，如果有需要的，可以问问我。
分数要求不高，只是因为我是研究这个方向的，希望有志之士可以一起探讨。
使用该数据集同样需要注明出处，请私信我。
我在做这个方向时，花了很长时间找数据集，除了上传的，还有其他的，如果有需要的，可以问问我。
2025/10/21 19:06:50
212.8MB
1
这个工具可以对连续的图片集或者一个视频进行半自动化标注，可以用来标注目标检测和多目标跟踪需要的数据，所谓半自动化，是针对多目标跟踪数据集的标注来说的，就是不用每一帧都重新标目标，且能通过内置的多目标跟踪算法自动预测出下一帧的目标位置并与上一帧的目标编号一一对应，只需手动对自动预测的框做微调即可，非常快捷，亲测一小时标注500-1000张完全没问题。
2025/10/21 8:04:22
16.25MB
1
IsolationForest（sklearn.ensemble.IsolationForest）：一种与随机森林类似，都是高效的集成算法，算法鲁棒性高且对数据集的分布无假设。
另外，基于树的集成算法，对数据特征的要求宽松。
另外，基于树的集成算法，对数据特征的要求宽松。
2025/10/21 3:50:49
4.34MB
1
基于密度的DBSCAN聚类算法可以识别任意形状簇,但存在全局参数Eps与MinPts的选择需人工干预,采用的区域查询方式过程复杂且易丢失对象等问题,提出了一种改进的参数自适应以及区域快速查询的密度聚类算法。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
根据KNN分布与数学统计分析自适应计算出最优全局参数Eps与MinPts,避免聚类过程中的人工干预,实现了聚类过程的全自动化。
通过改进种子代表对象选取方式进行区域查询,无需漏检操作,有效提高了聚类的效率。
对4种典型数据集的密度聚类实验结果表明,本文算法使得聚类精度提高了8.825%,聚类的平均时间减少了0.92s。
2025/10/18 21:46:30
143KB
1
使用适用于STM32F407uC的不同框架的TinyML警告：由于库包含在.gitignore中，因此必须为每个项目都生成CubeMX代码。
对于TFLite项目，必须将自动生成的main更改为.cpp，并且必须将其与main.c.中的最新更改合并。
开发IDE：KeiluVisionv6多维数据集MXAI/003MagicWand在CubeMXAI\003MagicWand\Middlewares\Third_Party\MachineLearning\edgeimpulse\model-parameters\model_metadata.h中修改以下参数：#defineEI_CLASSIFIER_RAW_SAMPLE_COUNT200#defineEI_CLASSIFIER_INTERVAL_MS10#defineEI_
对于TFLite项目，必须将自动生成的main更改为.cpp，并且必须将其与main.c.中的最新更改合并。
开发IDE：KeiluVisionv6多维数据集MXAI/003MagicWand在CubeMXAI\003MagicWand\Middlewares\Third_Party\MachineLearning\edgeimpulse\model-parameters\model_metadata.h中修改以下参数：#defineEI_CLASSIFIER_RAW_SAMPLE_COUNT200#defineEI_CLASSIFIER_INTERVAL_MS10#defineEI_
2025/10/15 21:55:14
13.25MB
1
这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。
Transformer应用于时间序列分析中的基本思想是：Transformer在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。
通过并行处理能力和位置编码，Transformer不仅提高了处理效率，而且确保了时间顺序的准确性。
其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。
Transformer应用于时间序列分析中的基本思想是：Transformer在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。
通过并行处理能力和位置编码，Transformer不仅提高了处理效率，而且确保了时间顺序的准确性。
定制化训练个人数据集进行训练利用python和pytorch实现
Transformer应用于时间序列分析中的基本思想是：Transformer在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。
通过并行处理能力和位置编码，Transformer不仅提高了处理效率，而且确保了时间顺序的准确性。
其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。
Transformer应用于时间序列分析中的基本思想是：Transformer在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。
通过并行处理能力和位置编码，Transformer不仅提高了处理效率，而且确保了时间顺序的准确性。
定制化训练个人数据集进行训练利用python和pytorch实现
2025/10/14 14:52:02
26.51MB
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