文件两个部分，getmapping是原作者的代码，这个文件用来生成一个查找表，将0-255映射到0-35上。
这就是旋转不变性的体现。
第二个文件是我自己写的计算特定点的8邻域lBP值，然后通过查找表，将LBP值映射到0-35的分布上。
代码注释比较详细。
一看就懂。

有效地数字特征提取算法模式识别中的手写数字识别

本书对小波分析在MATLAB中的应用进行了详细的介绍，全书以小波为主题展开叙述，不仅对小波理论有详细的介绍，而且将理论与实际相结合，列举了数百个利用小波方法来处理信息的综合算例，这些算例均可在MATLABR2013a版本中运行。
本书共分为17章。
第1、第2两章主要介绍了MATLAB的基本功能，包括MATLAB的环境、数据类型、M文件、句柄和高级用户界面GUI等。
第3～8章是关于小波分析的基础知识与应用，包括傅立叶变换、连续小波变换、离散小波变换、多分辨分析、小波基和小波包及其应用。
第9～17章是小波分析的应用部分，分别介绍了小波分析用于信号滤波、信号去噪、信号压缩、信号识别与检测、图像去噪、图像压缩、图像增强、图像融合、图像特征提取和样本估计。
每一章都配备了大量的MATLAB实例。

利用VS2008+opencv2.3.1编写的几种经典LBP特征提取算法，包括经典LBP，统一模式LBP等。

LBP特征提取的四种算法matlab代码，可直接运行。
含注释。

语音特征提取之MFCC特征提取的Python实现，包括一阶差分和二阶差分系数

从电话拨号的按键声中，特征提取，模式匹配，最后分析出所拨打的号码。
上海某大学《数字信号处理》随堂实验的讲义。
5个小朋友参加。
短时傅里叶变换的应用。
这是一份JPG版的讲义。
内含：短时傅里叶变换的定义、原理、应用。
里面提供“听音识号”的思路，没有代码。

糖尿病数据集"diabetes.csv"是一个广泛用于统计分析和机器学习任务的数据集，特别是针对深度学习的应用。
这个数据集包含了大量关于糖尿病患者的医疗记录，旨在帮助研究者们预测糖尿病的发展趋势或者评估疾病管理策略的效果。
下面我们将深入探讨该数据集中的关键知识点。
1.数据集结构：通常，CSV（CommaSeparatedValues）文件是一种存储表格数据的格式，每一行代表一个观测值，列则对应不同的特征或变量。
在这个糖尿病数据集中，每一行可能代表一个患者在特定时间点的健康状况。
2.特征详解：-年龄（Age）：患者年龄，对于疾病发展有显著影响。
-性别（Sex）：患者性别，男性和女性可能面临不同的糖尿病风险。
-BMI（BodyMassIndex）：身体质量指数，是衡量体重与身高比例的一个指标，与糖尿病风险相关。
-血压（BloodPressure）：血压水平，高血压是糖尿病并发症的重要因素。
-葡萄糖（Glucose）：血液中的葡萄糖浓度，直接影响糖尿病的诊断。
-胆固醇（Cholesterol）：血液中的胆固醇含量，高胆固醇可能加剧糖尿病并发症。
-心电图（ECG）：心电图结果，可以反映心脏健康状况，可能影响糖尿病的整体管理。
-尿蛋白（UrineProtein）：尿液中的蛋白质含量，异常可能表明肾脏受损，常见于糖尿病并发症。
-甲状腺刺激激素（TSH）：甲状腺功能的指标，甲状腺问题可能与糖尿病有关联。
-以及其他可能的医疗指标和历史数据。
3.目标变量：数据集可能包含一个目标变量，例如“糖尿病进展”或“并发症发生”，用于预测模型的训练和验证。
这个变量可能是二元的（如无/有并发症）或连续的（如疾病严重程度评分）。
4.数据预处理：在使用数据集之前，通常需要进行数据清洗，处理缺失值、异常值，以及可能的分类变量编码。
此外，为了适应深度学习模型，可能需要对数值特征进行标准化或归一化。
5.模型构建：在深度学习中，可以使用各种神经网络架构，如卷积神经网络（CNN）用于特征提取，循环神经网络（RNN）处理时间序列数据，或者全连接网络（FCN）处理一般的数据。
更先进的模型如长短时记忆网络（LSTM）或门控循环单元（GRU）也能用于捕捉患者健康状况随时间变化的模式。
6.训练与评估：模型的训练通常涉及反向传播和优化算法（如梯度下降或Adam）。
评估指标可能包括准确率、召回率、F1分数、AUC-ROC曲线等，具体取决于任务的性质。
7.隐私与伦理：在处理这类个人健康数据时，必须遵守严格的隐私保护规定，确保数据脱敏且匿名化，以保护患者隐私。
8.预测与解释：模型预测的结果需要解释，以便医生和患者理解并采取相应行动。
可解释性机器学习方法如局部可解释性模型（LIME）和SHAP值可以提供洞察模型决策背后的特征重要性。
"diabetes.csv"数据集为糖尿病研究提供了一个宝贵的资源，通过深度学习方法，我们可以挖掘其中的潜在规律，提高疾病预测的准确性，并为患者提供更好的健康管理建议。
在实际应用中，要充分利用数据集，同时确保数据安全和合规性。

帕绍大学硕士论文主题：域自适应本文讨论了一种通用的领域自适应模型技术的发展，这将有助于解决各种计算机视觉任务。
该模型在流行的视觉域数据集上进行图像分类任务训练，并且与其他可用的域适应方法相比，该模型的性能得到了评估。
“基于幅度的权重修剪”技术用于执行目标特征提取器优化。
有关代码的说明：models.py模块定义了源模型和目标模型。
Xception网络和顶层config.py模块定义了各种参数，例如设置路径，实验数据集组合ID等。
将来可能会添加其他配置loss.py定义了其他损失方法。
preprocessing.py模块使用各种数据集组合（包括数据扩充）定义数据预处理管道。
train_test.py是一个帮助程序模块，它定义了培训和评估方法。
evals_helper.py是一个帮助程序模块，它详细定义了评估方法。
utlis.py定义了各种绘图，辅助方法和

通过波形文件数据，进行MFCC特征提取，做相关滤波、加窗、fft变换等，得到13维mfcc特征，若在13维基础上继续做一阶二阶差分可得到24维mfcc特征

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。