设计了一种基于matlab的手写数字识别系统，全面覆盖多种分类器，有Fisher线性判别，贝叶斯分类器，神经网络，k近邻等等线性与非线性的分类器，识别的准确率较高，具体依据各个算法的不同，可以在此基础上进行改进。
2023/6/12 9:25:47
102KB
1
为进一步强化航道安全，解决海事CCTV人工值守、非自动化问题，提出了基于稀疏表示的船体检测方法。
利用稀疏表示实现对船体的检测时，首先构建样本特征矩阵，然后利用K-SVD算法对样本特征矩阵进行学习，得到冗余字典，最后对测试样本进行重构，根据马氏距离判断测试样本属性。
通过与传统方法的试验比较，实验结果表明，该算法实时性好、检测准确率高，可以很好地对CCTV视频监控的船体进行检测与跟踪，解决CCTV人工值守、非自动化问题，节省大量人力资源。
利用稀疏表示实现对船体的检测时，首先构建样本特征矩阵，然后利用K-SVD算法对样本特征矩阵进行学习，得到冗余字典，最后对测试样本进行重构，根据马氏距离判断测试样本属性。
通过与传统方法的试验比较，实验结果表明，该算法实时性好、检测准确率高，可以很好地对CCTV视频监控的船体进行检测与跟踪，解决CCTV人工值守、非自动化问题，节省大量人力资源。
2023/6/2 2:24:15
3.66MB
1
总体情景1.法度圭表标准是模拟DOS下的打字软件jp1制作的2.付与倒计时方式盘算打字速率3.练习功夫以及打字内容(小写/大写/数字)可选4.分别按打字内容(小写/大写/数字)留存十组记实下场点1.在末了时先读文件REC,将记实读入2.记实是先记入四个数组(名字,速率,准确率,功夫)末了整剖析一个字符串存入文件3.出题是付与随机方式,行使RND出随机数,(e.g.:rnd*25+87)25是共25个字母,87是"a"的ASCII码4.form间数值传递:form名.变量名5.首要用keypress责任来举行打字操作
2023/5/11 17:26:56
166KB
1
迩来在做一个对于繁杂场景下车牌识另外名目，对于字符识别举行了钻研。
目前OCR的阻滞主若是基于模板匹配，TESSERACT库以及普通流行的深度学习方式举行识别。
收缩包里有两个工程文件，一个是基于模板匹配的字符识别（尺度模板库已经做好放进去了，不需要自己在做，直接运行就能够了），另一个是使用google开源TESSERACT库的字符识别，能够实现手写字母（大小写均可）识别，准确率抵达92%以上。
目前OCR的阻滞主若是基于模板匹配，TESSERACT库以及普通流行的深度学习方式举行识别。
收缩包里有两个工程文件，一个是基于模板匹配的字符识别（尺度模板库已经做好放进去了，不需要自己在做，直接运行就能够了），另一个是使用google开源TESSERACT库的字符识别，能够实现手写字母（大小写均可）识别，准确率抵达92%以上。
2023/5/6 7:37:47
110.29MB
1
语音端点检测是语音信号处置进程中的一个弥留步骤，其检测准确性直接影响语音信号处置的速率以及下场。
传统的基于双门限法语言检测本领，在语音处于纯语音情景下分辨语音端点较准确，但在语音处于噪声情景下，特意是低信噪比的情景下，端点识别率很低，侵蚀率很高。
基于普及此方式识别率的目的，付与调解阈值个数，滑腻滤波，引入语音竣事最小长度的方式对于其举行改善，经由了Matlab仿其实验，患上出了较好的语音端点检测准确率。
传统的基于双门限法语言检测本领，在语音处于纯语音情景下分辨语音端点较准确，但在语音处于噪声情景下，特意是低信噪比的情景下，端点识别率很低，侵蚀率很高。
基于普及此方式识别率的目的，付与调解阈值个数，滑腻滤波，引入语音竣事最小长度的方式对于其举行改善，经由了Matlab仿其实验，患上出了较好的语音端点检测准确率。
2023/5/1 7:17:29
1.34MB
1
H3CNE(GB0-191)v7-90分以上题库内含三份400题题库考卷自己亲测准确率90分以上题库
2023/4/29 15:35:58
7MB
1
此代码主若是对于数据集天生图，第一部份是天生数据的相关性矩阵图，第二部份是天生数据集的缺失图，第三部份是数据经由PCA从多维降为二维后使用聚类处置在二维层面上展现的散点图，第三部份是分类算法对于数据集的处置输入为分类准确率，分类算法搜罗随机森林，侈靡贝叶斯，遴选树，KNN，反对于向量机，以及神经收集。
以上皆为代码所能处置的成果。
假如你是需要对于数据集举行阐发需要图，这份代码就比力适宜。
以上皆为代码所能处置的成果。
假如你是需要对于数据集举行阐发需要图，这份代码就比力适宜。
2023/4/27 23:37:48
5KB
1
本文阐发了台湾某银行客户的守约收入情景，提出了基于数据开掘本领的料想客户守约大概性。
从迫害管理的角度来看，料想的守约概率的准确性能够用来对于可信的或者不可信的客户举行分类。
本文起首对于数据集举行了末了处置，将数据拆分为2000个熬炼集与1000个测试集。
每一个客户信息中有23个自变量，依据其各个因素的相关性举行了调解而后使用了5开掘方式，搜罗KNN,分类树，随机森林，Logistic回归，神经收集举行建模，比力这5种方式中守约概率的料想准确性。
其中神经收集的料想下场最佳，料想准确率抵达了83.3%；
其次，分类树（81.8%）以及随机森林（80.1%），而后是Logistic回归（78.3%）。
KNN的料想下场最不梦想（75.8%）。
关键词：诺言卡守约料想、数据分类、Logistic回归、分类树、KNN、神经收集、随机森林。
从迫害管理的角度来看，料想的守约概率的准确性能够用来对于可信的或者不可信的客户举行分类。
本文起首对于数据集举行了末了处置，将数据拆分为2000个熬炼集与1000个测试集。
每一个客户信息中有23个自变量，依据其各个因素的相关性举行了调解而后使用了5开掘方式，搜罗KNN,分类树，随机森林，Logistic回归，神经收集举行建模，比力这5种方式中守约概率的料想准确性。
其中神经收集的料想下场最佳，料想准确率抵达了83.3%；
其次，分类树（81.8%）以及随机森林（80.1%），而后是Logistic回归（78.3%）。
KNN的料想下场最不梦想（75.8%）。
关键词：诺言卡守约料想、数据分类、Logistic回归、分类树、KNN、神经收集、随机森林。
2023/4/26 23:56:21
1.25MB
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