算法流程：本系统运用PCA算法来实现人脸特征提取，然后通过计算欧式距离来判别待识别测试人脸，本个系统框架图如下：图：人脸识别系统框架图整个系统的流程是这样的，首先通过图像采集建立人脸库，这个人脸库里的人脸图像必须是格式及像素统一的，然后针对库里的人脸进行人脸训练，利用PCA进行人脸特征提取，获取特征矩阵向量组，将测试人脸投缘到特征子空间中，运用欧氏距离，在人脸库里查找相应的人脸图像，并输出。
二、算法介绍基于PCA算法的人脸特征提取2.1PCA的基本原理PCA中文全称主成分分析法（PrincipalComponen
二、算法介绍基于PCA算法的人脸特征提取2.1PCA的基本原理PCA中文全称主成分分析法（PrincipalComponen
2024/7/20 6:33:57
8.68MB
1
实验描述:对指定数据集进行聚类分析，选择适当的聚类算法，编写程序实现，提交程序和结果报告。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
数据集：IrisDataSet（见附件一），根据花的属性进行聚类。
数据包括四个属性：sepallength花萼长度，sepalwidth花萼宽度，petallength花瓣长度，petalwidth花瓣宽度。
其中第五个值表示该样本属于哪一个类。
样本点间的距离直接用向量的欧氏距离。
2024/2/14 17:19:40
15KB
1
本程序采用16QAM调制方式，对一串2进制信源进行调制，用升余弦滚降函数进行基带调制，再调到高频信道；
在信道上加入高斯白噪声，运用匹配滤波器解调，画出解调星座图，运用最小欧氏距离译码判决，计算误比特率。
在信道上加入高斯白噪声，运用匹配滤波器解调，画出解调星座图，运用最小欧氏距离译码判决，计算误比特率。
2024/1/20 11:34:27
105KB
1
本课题主要应用非欧氏距离进行距离变换，针对于不同特征的二值图像，每种距离变换可以选用不同权值的模版进行目标的骨架抽取。
其效果的优劣在与欧式距离的误差和运算速度的快慢之间权衡。
其效果的优劣在与欧式距离的误差和运算速度的快慢之间权衡。
2023/11/24 7:57:51
2KB
1
本源码是基于MATLAB实现车牌识别并语音播报。
本系统针对家庭小型车蓝底白字车牌进行识别。
根据彩色图像的RGB比例定位出近似蓝色的候选区域。
但是由于RGB三原色空间中两点间的欧氏距离与颜色距离不成线性比例，在设定蓝色区域的定位范围时不能很好的控制。
因此造成的定位出错是最主要的。
这样在图片中出现较多的蓝色背景情况下识别率会下降，不能有效提取车牌区域。
对此本文提出了自适应调节方案。
对分割出来的区域进行识别调整。
根据长宽比，蓝白色比对候选区域进行多次定位。
最终找到车牌区域。
对字符正确识别之后，用事先对对每一个字符的录音根据对应字符顺序播放。
在对车牌区域识别出错、字体分割出错时程序暂停，并有语音提醒。
本系统针对家庭小型车蓝底白字车牌进行识别。
根据彩色图像的RGB比例定位出近似蓝色的候选区域。
但是由于RGB三原色空间中两点间的欧氏距离与颜色距离不成线性比例，在设定蓝色区域的定位范围时不能很好的控制。
因此造成的定位出错是最主要的。
这样在图片中出现较多的蓝色背景情况下识别率会下降，不能有效提取车牌区域。
对此本文提出了自适应调节方案。
对分割出来的区域进行识别调整。
根据长宽比，蓝白色比对候选区域进行多次定位。
最终找到车牌区域。
对字符正确识别之后，用事先对对每一个字符的录音根据对应字符顺序播放。
在对车牌区域识别出错、字体分割出错时程序暂停，并有语音提醒。
2023/9/4 6:42:06
23.56MB
1
代码说明代码仅供学习研究，未经允许，请勿擅自商用。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
1.输入文件格式输入的文件要求为N行两列的形式，两列分别对应，输入数据点的X轴坐标和Y轴坐标。
输入文件格式示例如下：0.821794-0.04621531.03929 0.0608351.12046 0.07455681.02233 0.05147392.代码支持的凝聚层次聚类算法通过简要的修改代码中函数的参数，代码可以支持不同的凝聚方法，支持的凝聚方法如下，默认的为代码本身算法：单连接算法（默认，最近邻聚类算法，最短距离法，最小生成树算法）；
全连接算法（最远邻聚类算法，最长距离法）；
未加权平均距离法；
加权平均法；
质心距离法；
加权质心距离法；
内平方距离法（最小方差算法）3.代码支持的距离（相似度）度量公式通过简要的修改代码，代码支持计算距离的过程采用不同的距离或相似度度量公式，支持的距离（相似度）公式如下，默认为代码本身才采用的距离公式：欧氏距离（默认）；
标准化欧氏距离；
马氏距离；
布洛克距离（曼哈顿距离，城市街区距离）；
闵可夫斯基（明可夫斯基）距离；
余弦相似度；
相关性相似度；
汉明距离；
Jaccard相似度；
切比雪夫距离。
2023/8/2 17:50:02
328KB
1
在400~720nm波段规模，基于液晶可调谐滤波器(LCTF)以及CMOS相机组合的多光谱成像体系，以四季豆叶片为钻研货物每一隔5nm举行成像。
依据图像亮度信息法以及波段指数法的相关原理，起首分别盘算患上到各波段四季豆叶片的波段指数值以及可识别度；
而后对于四季豆叶片的波段指数值以及可识别度举行排序，综合图像的灰度离散、亮度信息丰厚以及波段的相关性小等特色，患上出54五、630、64五、720、650以及570nm波段有较大的波段指数值以及较好的识别度；
末了依据最小欧氏距离法以及光谱角度匹配法分别对于四季豆叶片的特色波段的分类精度予以盘算，两种方式的分类精度分别为100.00%以及83.33%，患上出选取的特色波段对于四季豆叶片具备较好的分类精度。
于是，54五、630、64五、720、650以及570nm波段可作为四季豆叶片的特色波段。
依据图像亮度信息法以及波段指数法的相关原理，起首分别盘算患上到各波段四季豆叶片的波段指数值以及可识别度；
而后对于四季豆叶片的波段指数值以及可识别度举行排序，综合图像的灰度离散、亮度信息丰厚以及波段的相关性小等特色，患上出54五、630、64五、720、650以及570nm波段有较大的波段指数值以及较好的识别度；
末了依据最小欧氏距离法以及光谱角度匹配法分别对于四季豆叶片的特色波段的分类精度予以盘算，两种方式的分类精度分别为100.00%以及83.33%，患上出选取的特色波段对于四季豆叶片具备较好的分类精度。
于是，54五、630、64五、720、650以及570nm波段可作为四季豆叶片的特色波段。
2023/5/11 18:41:58
1.48MB
1
基于栅格算法，以欧氏距离变换为基础，完成了点、线、面等任意图形的加权voronoi图生成。
相关论文地址http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX201201025.htm
相关论文地址http://www.cnki.com.cn/Article/CJFDTOTAL-LZTX201201025.htm
2017/1/14 5:24:30
2.42MB
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