使用emd进行回归预测的代码，使用方法结单，只需输入训练集和测试集就可以进行emd预测了，预测的结果会保存在相应的.mat文件里，详细操作请看代码里的操作说明。
资源里有demo，guidence.m文件里有调用实例，直接复制到commandwindows里运行就可以了，简单易懂，汉语注释说明等。
运行结果会直接输出测试集的MAE,RMSE,MAPE,DISTAT这几个统计量
资源里有demo，guidence.m文件里有调用实例，直接复制到commandwindows里运行就可以了，简单易懂，汉语注释说明等。
运行结果会直接输出测试集的MAE,RMSE,MAPE,DISTAT这几个统计量
2024/4/25 9:55:47
4KB
1
这是一个用ANN（人工神经网络）对手写数字进行识别的程序。
有以下一些特性：1）前端（网页）用JavaScript，html5，css开发；
2）后端（服务器）用python写的（2.7版本）；
3）功能：#支持在网页画布上（用鼠标）写数字，并会返回预测结果；
#支持重置网页画布；
#支持向服务器发送训练样本；
#支持图片预览，图片上传；
#支持对上传的图片中英文字母的识别。
这是一个非常酷的程序，C/S架构，代码也不是很复杂，而且设计了一些很有趣的知识（机器学习，神经网络，http数据传递，前后端开发等等）。
感兴趣的同学可以下载下来看一看，有不懂的可以评论留言。
有以下一些特性：1）前端（网页）用JavaScript，html5，css开发；
2）后端（服务器）用python写的（2.7版本）；
3）功能：#支持在网页画布上（用鼠标）写数字，并会返回预测结果；
#支持重置网页画布；
#支持向服务器发送训练样本；
#支持图片预览，图片上传；
#支持对上传的图片中英文字母的识别。
这是一个非常酷的程序，C/S架构，代码也不是很复杂，而且设计了一些很有趣的知识（机器学习，神经网络，http数据传递，前后端开发等等）。
感兴趣的同学可以下载下来看一看，有不懂的可以评论留言。
2024/4/25 9:05:03
5.8MB
1
这是一本零基础就能读懂的算法书籍，读者不需要因为自己没有语言基础而畏惧。
书籍的第2章便是一个C语言的入门教程，内容非常易懂，并且十分实用，阅读完这章就可以对本书需要的C语言基础有一个较好的掌握。
本书已经覆盖了大部分基础经典算法，不仅可以作为考研机试和PAT的学习教材，对其他的一些算法考试（例如CCF的CSP考试）或者考研初试的数据结构科目的学习和理解也很有帮助，甚至仅仅想学习经典算法的读者也能从本书中学到许多知识，本书还有配套的《算法笔记上机训练实战指南》本书的作者是同样经历过考研机试和各类算法考试的专家型学长，知晓这类考试中的痛点，以及考生在学习算法时容易产生困惑的地方，因此可以把本书看作是学长为你奉献的满满的经验干货，这是有价值的东西。
书籍的第2章便是一个C语言的入门教程，内容非常易懂，并且十分实用，阅读完这章就可以对本书需要的C语言基础有一个较好的掌握。
本书已经覆盖了大部分基础经典算法，不仅可以作为考研机试和PAT的学习教材，对其他的一些算法考试（例如CCF的CSP考试）或者考研初试的数据结构科目的学习和理解也很有帮助，甚至仅仅想学习经典算法的读者也能从本书中学到许多知识，本书还有配套的《算法笔记上机训练实战指南》本书的作者是同样经历过考研机试和各类算法考试的专家型学长，知晓这类考试中的痛点，以及考生在学习算法时容易产生困惑的地方，因此可以把本书看作是学长为你奉献的满满的经验干货，这是有价值的东西。
2024/4/25 6:19:36
194.6MB
1
一般的空间模式(CSP)是一种在脑-机接口(BCIs)背景下对脑电图(EEG)信号进行分类的流行算法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
2024/4/24 0:29:52
1.73MB
1
故障根因分析告警数据。
无线侧故障根因分析，针对现网告警、工单数量大，故障原因定位困难的痛点，将现网历史告警数据和工单中的故障原因定位标注数据相关联，训练分类出停电、软件故障、硬件故障、误告警、传输故障等原因，从而减少实际派单数量并进行优化策略派单。
无线侧故障根因分析，针对现网告警、工单数量大，故障原因定位困难的痛点，将现网历史告警数据和工单中的故障原因定位标注数据相关联，训练分类出停电、软件故障、硬件故障、误告警、传输故障等原因，从而减少实际派单数量并进行优化策略派单。
2024/4/23 19:05:36
643KB
1
adaboost算法是一个由多个弱分类器生成一个强分类器的算法，可以提高分类的正确率，这里利用adaboost算法的原理，结合matlab做了一个简单的实例里面h1-h8为八个弱分类器，adaboost为训练的主函数，test调用了训练函数，对一个样本进行测试，calerr计算每次循环后的错误频率
2024/4/22 10:57:32
4KB
1
人脸检测训练好的分类器文件haarcascade_frontalface_alt.xml，配合opencv进行人脸检测，
2024/4/22 9:36:21
661KB
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