本项目建立了一个小的语音库（8男8女），编写mfcc函数提取出语音的mfcc特征，然后利用svm进行训练和测试，实现性别识别，并创建gui进行功能展示，正确率为93.75%。
本代码功能尚比较简单，有待继续完善。
本代码功能尚比较简单，有待继续完善。
2023/10/18 3:51:11
10.46MB
1
基于Gabor+PCA+SVM的性别识别(1)提取的人脸图像，运用Gabor提取特征，PCA降维，最后运用SVM训练一个性别分类器
2023/7/31 2:21:44
12.08MB
1
基于语音的性别识别基于语音的性别识别，使用：免费的ST美国英语语料库数据集（SLR45）梅尔频率倒谱系数（MFCC）高斯混合模型（GMM）数据集可以在上找到免费的ST美国英语语料库数据集（SLR45）。
它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。
每个说话者大约有350种话语。
理论语音特征提取此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。
MFCC通常如下得出：进行信号（窗口摘要）的傅立叶变换。
使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。
记录每个梅尔频率下的功率对数。
它是提供的免费的美国英语语料库，其中包含10位说话者（5位女性和5位男性）的讲话。
每个说话者大约有350种话语。
理论语音特征提取此处使用梅尔频率倒谱系数（MFCC），因为它们可在说话者验证中提供最佳结果。
MFCC通常如下得出：进行信号（窗口摘要）的傅立叶变换。
使用三角形重叠窗口，将以上获得的光谱的功率映射到mel刻度上。
记录每个梅尔频率下的功率对数。
2023/5/29 20:06:48
18.1MB
1
基于MFCC和SVM的说话人性别识别建立了普通话语音性别数据库,提出联合梅尔频率频谱系数(Mel-frequencyCepstrumCoefficients,MFCC)的特征提取方法和支持向量机(SupportVectorMachine,SVM)的分类方法进行说话人性别识别,并与其它分类方法进行比较,实验结果表明该方法的说话人性别识别精确率达到98.7%,明显优于其它分类器。
2023/2/4 21:53:55
520KB
1
（含源码及报告）本程序分析了自2016年到2021年（外加）每年我国原油加工的产量，并且分析了2020年全国各地区原油加工量等，含饼状图，柱状图，折线图，数据在地图上显示。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。
2022/9/30 16:31:44
29.75MB
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