在利用Adaboost算法识别物体之前，需要用ObjectMarker标定正样本进行正样本数据的采集。
早先别人上传的ObjectMarker不可用，我作了些修改上传，希望对大家有帮助。
运行前把正样本图片放在rawdata文件夹下，运行时按空格标定正样本区域，按回车继续下一张图。
早先别人上传的ObjectMarker不可用，我作了些修改上传，希望对大家有帮助。
运行前把正样本图片放在rawdata文件夹下，运行时按空格标定正样本区域，按回车继续下一张图。
2025/5/8 18:21:43
1.01MB
1
本文基于传统的LPC倒谱特征和KC复杂性特征建立了一个说话人确认系统，采用了YOHOspeakerverifiea:ion数据库，Enroll阶段:采用238说话人4个session每个Sessi。
n有10个语音样本数据，Verify阶段:采用138说话人10个Session每个session有4个语音样本数据，训练模板和测试该说话人确认系统，取得了较好的说话人确认效果。
n有10个语音样本数据，Verify阶段:采用138说话人10个Session每个session有4个语音样本数据，训练模板和测试该说话人确认系统，取得了较好的说话人确认效果。
2025/5/3 18:07:09
3.12MB
1
L-M优化算法和贝叶斯正则化算法训练BP网络matlab代码，使其能够拟合某一附加有白噪声的正弦样本数据
2024/9/26 7:37:43
2KB
1
数据来自Kaggle的GiveMeSomeCredit，有15万条的样本数据，下图可以看到这份数据的大致情况。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
2024/8/8 6:55:55
6.32MB
1
公路运量主要包括公路客运量和公路货运量两方面。
某个地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，已知该地区20年(1990-2009)的公路运量相关数据如下：样本数据较多，且已知影响数据的因素（三大因素：该地区的人数、机动车数量和公路面积），可考虑将其作为BP神经网络的训练集，对该神经网络进行训练，然后对训练好的神经网络进行测试，最后使用测试合格的神经网络进行预测工作。
某个地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，已知该地区20年(1990-2009)的公路运量相关数据如下：样本数据较多，且已知影响数据的因素（三大因素：该地区的人数、机动车数量和公路面积），可考虑将其作为BP神经网络的训练集，对该神经网络进行训练，然后对训练好的神经网络进行测试，最后使用测试合格的神经网络进行预测工作。
2024/7/19 14:23:47
6KB
1
本工程文件实现了K-means算法，对输入的样本数据实现了聚类分析，其中测试的样本数据在工程文件下的K-means文件夹下
2024/6/23 20:52:44
2.72MB
1
包含了1521幅分辨率为384x286像素的灰度图像。
每一幅图像来自于23个不同的测试人员的正面角度的人脸。
每一幅图像来自于23个不同的测试人员的正面角度的人脸。
2024/3/25 19:27:42
119.42MB
1
(代码简洁,绝对可用)使用python将24位或者16位图像转换为8位图像，用于labelme标记的MASK_RCNN进行样本训练,自己的样本数据是24位就是用这代码进行转换成8位,样本已训练成功.(16位亦可用).
2024/3/15 14:17:35
917B
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