：提出一种ＳＡＲ图像目标识别新方法。
首次引入ＢＭ３Ｄ方法，用于滤除原始图像中的相干斑噪声，ＢＭ３Ｄ结合了空间域和变换域去噪的优势，滤波性能优异。
在特征提取步骤，将低阶Ｈｕ矩与高阶Ｚｅｒｎｉｋｅ矩组合，Ｈｕ矩描述目标的粗略信息，高阶Ｚｅｒｎｉｋｅ矩描述目标的细节信息，因此组合矩能够更加全面而细致地表达目标特性。
使用组合矩特征训练ＳＶＭ分类器，对含噪的ＳＡＲ图像进行识别实验。
实验结果表明：本文方法的识别率高达９８．９０％，优于已有的ＳＡＲ目标识别方法
首次引入ＢＭ３Ｄ方法，用于滤除原始图像中的相干斑噪声，ＢＭ３Ｄ结合了空间域和变换域去噪的优势，滤波性能优异。
在特征提取步骤，将低阶Ｈｕ矩与高阶Ｚｅｒｎｉｋｅ矩组合，Ｈｕ矩描述目标的粗略信息，高阶Ｚｅｒｎｉｋｅ矩描述目标的细节信息，因此组合矩能够更加全面而细致地表达目标特性。
使用组合矩特征训练ＳＶＭ分类器，对含噪的ＳＡＲ图像进行识别实验。
实验结果表明：本文方法的识别率高达９８．９０％，优于已有的ＳＡＲ目标识别方法
2023/12/21 8:25:57
607KB
1
实现文本分类的主要包括几个步骤文本分词处理，特征选择，特征权重计算，文本特征向量表示，基于训练文本的特征向量数据训练SVM模型，对于测试集进行特征向量表示代入训练得到的svm模型中进行预测分类，达到93%的准确率
2023/11/8 2:28:34
26.06MB
1
本人训练SVM分类器进行HOG行人检测.环境为VS2010+OpenCV2.4.4.使用时请自行修改工程的include目录和lib目录配置。
正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。
SVM使用的是OpenCV自带的CvSVM类。
正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。
SVM使用的是OpenCV自带的CvSVM类。
2016/1/26 4:29:46
23.65MB
1
基于HOG特征提取的图像分类器，首先提取图像的HOG特征，以此训练SVM分类器，使训练过后的SVM分类器能够自动对测试图像文件进行分类。
本套分类器的实现是基于Matlab言语开发。
Classify()是主函数。
本套分类器的实现是基于Matlab言语开发。
Classify()是主函数。
2016/2/17 1:30:36
225KB
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