睡眠研究对于人的身心健康和工作生活有着重要的意义。
睡眠过程中不同状态的标注，是睡眠研究的一个基础工作。
本文采用单通道的脑电信号数据，将数据输入到深度置信网络中进行特征表达和分类学习。
通过利用39个晚上的睡眠数据进行测试，达到了82.26%的平均分类准确率。
睡眠过程中不同状态的标注，是睡眠研究的一个基础工作。
本文采用单通道的脑电信号数据，将数据输入到深度置信网络中进行特征表达和分类学习。
通过利用39个晚上的睡眠数据进行测试，达到了82.26%的平均分类准确率。
2023/10/25 6:28:51
1.21MB
1
本文利用德国足球甲级联赛2014-2015赛季共306场比赛的积分、排名、主客场情况数据，首先进行多分类logistic模型，预测比赛结果。
再建立有序多分类logistic回归模型进行比赛结果的预测。
并将预测结果进行对比分析，发现有序多分类logistic模型预测结果优于多分类logistic模型。
另外，本文将每场比赛的比分差作为因变量，胜平负赔率作为自变量，建立了多元回归模型，从赔率的角度预测比赛结果。
结果表明，对于一场比赛，当多分类logistic模型预测结果和赔率多元回归模型预测结果相吻合的时候，预测准确率将大大提高。
再建立有序多分类logistic回归模型进行比赛结果的预测。
并将预测结果进行对比分析，发现有序多分类logistic模型预测结果优于多分类logistic模型。
另外，本文将每场比赛的比分差作为因变量，胜平负赔率作为自变量，建立了多元回归模型，从赔率的角度预测比赛结果。
结果表明，对于一场比赛，当多分类logistic模型预测结果和赔率多元回归模型预测结果相吻合的时候，预测准确率将大大提高。
2023/10/13 22:10:31
1.79MB
1
#face人脸考勤，人脸考勤是采用当今国际科技领域高精技术——人脸识别技术（融合了计算机图像处理技术与生物统计学原理于一体），利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析并建立人脸特征模板。
当已登记的人员从人脸识别机前走过，它会有语音提示“你好”或者人员的姓名表示考勤已成功。
而且，它还有拥有图像更新功能，若将正采取的图像作为第一人脸，存储的为第二人脸，如果第一人脸图像与第二人脸图像相一致，人脸识别考勤机将自动储存第一人脸图像来更新该第二人脸图像。
该法可保持用户脸部图像的更新，降低了脸部外形改变对识别的影响，增加了识别的准确率。
当已登记的人员从人脸识别机前走过，它会有语音提示“你好”或者人员的姓名表示考勤已成功。
而且，它还有拥有图像更新功能，若将正采取的图像作为第一人脸，存储的为第二人脸，如果第一人脸图像与第二人脸图像相一致，人脸识别考勤机将自动储存第一人脸图像来更新该第二人脸图像。
该法可保持用户脸部图像的更新，降低了脸部外形改变对识别的影响，增加了识别的准确率。
2023/10/12 23:34:38
11.55MB
1
Android车牌识别SDKDemo企业级停车场摄像头识别车牌识别准确率高（识别率98%）速度快（不到0.5秒）本地识别无需联网,含Demo代码AndroidStudio环境项目，支持6.0以上高版本。
2023/10/12 12:01:37
2.78MB
1
提出一种基于迭代传播的方法求解小基高比立体匹配中的相关基本等式以解决立体匹配中存在的黏合现象。
该方法首先根据启发式信息估计实际立体匹配系统中整数级视差的误差水平;其次,根据Morozov原理设计一个迭代正则参数选择方法对相关基本等式进行正则化处理并建立目标泛函;再次,利用延迟扩散定点迭代方法获得目标泛函的迭代传播等式;最后,通过共轭梯度法对该等式进行迭代求解。
实验结果表明:该方法减少了小基高比立体匹配中的黏合现象,其视差图的准确率可达95%以上,且像元匹配差异精度优于1/10个像元。
该方法首先根据启发式信息估计实际立体匹配系统中整数级视差的误差水平;其次,根据Morozov原理设计一个迭代正则参数选择方法对相关基本等式进行正则化处理并建立目标泛函;再次,利用延迟扩散定点迭代方法获得目标泛函的迭代传播等式;最后,通过共轭梯度法对该等式进行迭代求解。
实验结果表明:该方法减少了小基高比立体匹配中的黏合现象,其视差图的准确率可达95%以上,且像元匹配差异精度优于1/10个像元。
2023/10/2 4:27:44
1.12MB
1
FaceRecognition是一个基于Python的人脸识别库，它还提供了一个命令行工具，让你通过命令行对任意文件夹中的图像进行人脸识别操作。
该库使用dlib顶尖的深度学习人脸识别技术构建，在户外脸部检测数据库基准(LabeledFacesintheWildbenchmark)上的准确率高达99.38%。
该库使用dlib顶尖的深度学习人脸识别技术构建，在户外脸部检测数据库基准(LabeledFacesintheWildbenchmark)上的准确率高达99.38%。
2023/9/30 23:40:57
10.57MB
1
针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。
以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。
最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。
实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。
2023/9/29 1:55:43
1.44MB
1
混淆矩阵的MATLAB源代码，直接能用的代码，可以用来计算分类结果的准确率还能度量划分效果，混淆矩阵的概念虽然简单，但需要注意的点特别多，看此代码，绝对复制过去就能用！
2023/9/23 1:29:40
3KB
1
机器学习入门KNN算法实现的手写数字识别基本上照搬了http://lib.csdn.net/article/opencv/30167的代码，只是改了一点bug和增加了一点功能输入就是直接在一个512*512大小的白色画布上画黑线，然后转化为01矩阵，用knn算法找训练数据中最相近的k个，现在应该是可以对所有字符进行训练和识别，只是训练数据中还只有数字而已，想识别更多更精确的话就需要自己多跑代码多写几百次，现在基本上一个数字写10次左右准确率就挺高了，并且每次识别的时候会将此次识别的数字和01矩阵存入训练数据文件夹中，增加以后识别的正确率，识别错了的话需要输入正确答案来扩充训练数据
2023/9/21 3:58:52
15KB
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