- 博客(20)
- 收藏
- 关注
RSS订阅
1原创 使用 Python、Tkinter 和 Graphviz 可视化二叉搜索树
使用 Python、Tkinter 和 Graphviz 可视化二叉搜索树
2024-04-19 08:57:54
602
基于SVM与现代投资组合理论的量化框架
svm
QT_Test
本测试旨在重现一套比较简单且完备的量化框架，该框架基于现代投资组合理论，并应用主流的机器学习算法（SVM）进行分析。旨在初步形成一个量化投资的思路，辅助构建科学合理的投资策略。
预测流程
制备
SQL 查询
环回测试的初始资本（可选，默认值 = 1 M）
输入
库存池
基础股指数
环回测试间隔
预处理窗口（可选，默认值 = 365）
环回训练测试的窗口（可选，默认值 = 90）
Loopack Portfolio 的 Windows（可选，默认值 = 年份）
更改投资组合的频率（可选，默认 =5）
主程序
$ python Init_StockALL_Sp.py
$ python stock_index_pro.py
$ python main_pro.py
输出
股票池和基础指数的每日交易数据
SVM 模型评估结果
环回测试期间的资本情况
上一个环回测试日的股票持有量
量化效果指标
退货和取款的可视化
依赖
测试使用的Python版本：3.6.8
测试使用的Anaconda版本：1.9.6
安装或升级Tushare
2024-04-24
机器学习（股票），基于机器学习算法支持向量机SVM的交易策略
svm
# coding=utf-8
from __future__ import print_function, absolute_import, unicode_literals
from datetime import datetime
import numpy as np
from gm.api import *
import sys
try:
from sklearn import svm
except:
print('请安装scikit-learn库和带mkl的numpy')
sys.exit(-1)
'''
本策略选取了七个特征变量组成了滑动窗口长度为15天的训练集,随后训练了一个二分类(上涨/下跌)的支持向量机模型.
若没有仓位则在每个星期一的时候输入标的股票近15个交易日的特征变量进行预测,并在预测结果为上涨的时候购买标的.
若已经持有仓位则在盈利大于10%的时候止盈,在星期五损失大于2%的时候止损.
特征变量为:1.收盘价/均值2.现量/均量3.最高价/均价4.最低价/均价5.现量6.区间收益率7.区间标准差
训练数据为:SHSE.6000
2024-04-24
一款基于SVM算法的智能法律助手-前端
svm
一款基于SVM算法的分布式法律助手
项目简介 与 使用说明
体验网站（适配手机端）： www.zhuchangwu.com
项目基于 Spring Cloud 、Vue 构建，平台针对需要维权的用户而设计，主要提供如下三个功能模块。
一、提供问答服务模块。
用户可以在本模块中描述一句简短的话，系统将为用户推送出与用户描述相似的问题及答案。
二、罪名推断模块。
用户可以输入一个场景，系统将给用户推送出此场景可能触发的罪名，量刑区间，以及可能触发的法律法规。
三、相似判决文书查询模块。
用户可以将自己的判决文书输入到系统中，系统将会为用户推送相似的判决文书。
如果您感觉还蛮有趣
2024-04-24
基于SVM的中文文本分类
svm
中文文本分类器
基于SVM中文文本分类
复旦大学中文语料库，使用15类
语料文件太大，可以在这里下载 http://www.nlpir.org/wordpress/
训练时间太长，所以保存了一份模型（总共训练了3个模型，线性核的分类效果最好）
最后使用的接口还没做好，大致就是那个意思了，没时间改了
分两个部分，训练和测试的一步步运行：get_tokens --> to_bunch --> TFIDF_space --> SVM_Predict
也可以直接使用训练好的模型，直接运行 use.py，建文件夹F：/Chinese_text_classifier/article/，最后在article文件夹里放要分类的文章（.txt或者.dat之类的）
2024-04-24
基于SVM，RandomForest等机器学习算法实现的孕妇类APP
svm
Preganant监视器
说明
免责声明：本项目旨在学习Android开发的一点实践，不可使用于商业和个人其他意图。若使用不当，均由个人承担。
开源方式：License GPLv3
包含功能：一个为孕妇打造的APP，基于SVM、RandomForest等算法进行机器学习，目前可根据孕妇年龄身高、体重、空腹血糖OGTT值预测孕妇是否患糖尿病。
若使用中遇到遇到问题， please Issue
本地部署
Androdi Studio工程文件，打包下载后用Android Studio打开解压后的文件夹，等待AS加载升级套件完毕即可。
运行
可以在Android Studio内使用AVD模拟运行，或者通过USB Debug连接手机，选择对应设备运行
2024-04-24
基于机器学习的遥感图像识别算法（kNN/SVM/CNN/LSTM）
svm
基于机器学习的遥感图像识别算法（kNN/SVM/CNN/LSTM）
随着遥感卫星成像技术的提升和机器学习的蓬勃发展，越来越多的研究人员利用机器学习的方法来进行遥感图像识别，取得了很好的效果。在本次作业中，我将利用四种机器学习算法在WHU-RS19数据集上进行遥感图像识别的尝试，这其中既包括传统的kNN和SVM，也包括近年来得到青睐的CNN和LSTM算法。本文的基本结构如下：
数据集
WHU-RS19的简单介绍
数据集的预处理与索引文档的生成
kNN公司
kNN的测试效果
分析参数k对kNN的测试效果的影响
支持向量机
SVM的测试效果
分析学习率和正则化参数对SVM的测试效果的影响
SVM权值矩阵的可视化
美国有线电视新闻网（CNN）
CNN的测试效果
不同网络结构对CNN的测试结果的影响
LSTM公司
LSTM的测试效果
分析学习率和dropout值对LSTM的测试效果的影响
总结
数据集
WHU-RS19的简单介绍
本次遥感图像识别算法采用的数据集是武汉大学提供的WHU-RS19数据集，该数据集包含了机场，海滩，桥，商业区，沙漠，农田，足球场，森林，工业区，草地，山，公园
2024-04-24
可以使用svm， knn， 朴素贝叶斯，决策树四种机器学习方法进行分类，基于SVM的简单机器学习分类
svm
基于SVM的机器学习分类是一种常见的方法，适用于许多分类问题。以下是一个简要介绍：
支持向量机（SVM）：
SVM是一种监督学习算法，用于分类和回归分析。
在分类任务中，SVM的目标是找到一个最优的超平面，将不同类别的数据分隔开来，并且使得两个类别之间的间隔最大化。
简单机器学习分类流程：
数据准备：
收集带有标签的训练数据集，包括输入特征和相应的类别标签。
对数据进行预处理和特征工程，以便于SVM进行处理。
训练阶段：
使用训练数据集训练一个SVM分类器。
SVM学习一个决策边界，以将不同类别的数据分隔开来。
测试阶段：
对新的未标记数据应用相同的预处理和特征提取步骤。
使用训练好的SVM分类器对新数据进行分类。
输出分类结果，即新数据所属的类别。
优点：
SVM在处理高维数据和具有复杂结构的数据上表现良好。
SVM能够处理非线性分类问题，并且具有较强的泛化能力。
SVM的决策边界可以有效地将不同类别的数据分隔开来，因此在多类别分类任务中也表现良好。
注意事项：
数据质量和数量对于分类器的性能至关重要。
特征提取和预处理的选择可能会影响系统的性能。
在实践中，
2024-04-24
基于svm的手写数字图像识别
svm
基于SVM的手写数字图像识别是一种常见的模式识别应用。以下是一个简要介绍：
支持向量机（SVM）：
SVM是一种监督学习算法，用于分类和回归分析。
在分类任务中，SVM的目标是找到一个最优的超平面，将不同类别的数据分隔开来，并且使得两个类别之间的间隔最大化。
手写数字图像识别流程：
数据准备：
收集手写数字图像数据集，包括一系列手写数字图像和相应的标签（即数字的真实值）。
将每个图像转换为数字特征向量，例如通过像素值或特征提取算法提取的特征。
训练阶段：
使用训练数据集训练一个SVM分类器。
SVM学习一个决策边界，以将不同数字类别的特征向量分隔开来。
测试阶段：
对待识别的手写数字图像提取特征向量。
使用训练好的SVM分类器，将待识别的特征向量分类到相应的数字类别。
输出分类结果，即识别出的手写数字。
优点：
SVM在处理高维数据和具有复杂结构的数据上表现良好。
SVM能够处理非线性分类问题，并且具有较强的泛化能力。
SVM的决策边界可以有效地将不同类别的数据分隔开来，因此在多类别分类任务中也表现良好。
注意事项：
数据质量和数量对于手写数字图像识别的性能至关重要。
2024-04-24
基于SVM的短文本分类研究
svm
基于SVM的短文本分类研究
###1、训练集来源 搜狗实验室提供的2006年新闻数据，根据TF-IDF值进行特征选取，10大类中每类选取200个特征词 ###2、模型准确度 5折法验证71.9%的准确率......求微博数据集！
###3、依赖包
使用@ansjsun 的ansj_seg进行NLP分词，同时需要他的nlp-lang-0.2.jar工具包
依赖Libsvm Java版
org.json工具包（已包含在工程中）
###4、注意事项
需修改testSVM中的各种文件路径，最主要的是cmdStr，改为自己的libsvm路径
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究
基于SVM的短文本分类研究基于SVM的短文本分类研究
2024-04-24
基于Word2Vec+SVM对电商的评论数据进行情感分析-i
svm
一步：加载数据、进行jieba分词、对数据进行随机切分，生成训练集和测试集（对应的代码部分为data_seal.py）
pos = pd.read_table（'E：/NLP/chinese-w2v-sentiment/data/pos.csv'，header=None，index_col=None）
neg = pd.read_table（'E：/NLP/chinese-w2v-sentiment/data/neg.csv'，header=None，index_col=None）
导入数据，然后利用jieba对数组进行分词，将分词结果与生成的相同维度的标签表数组进行合并，合并的方式有很多种：这里我用的是np.append（a，b，axis=0） 的方式。数据准备好了之后就是对数据进行切分，随机生成测试数据集和训练集，这里的比例test_size可以根据数据的实际大小进行设置，正常设置成0.2和0.3。
为了后面的运算方便，对切分的数据进行保存。分别为数据文件下的x_train_data、x_test_data、y_train_data、y_test_data。
第二步：
2024-04-24
HOG+SVM训练进行行人检测
svm
开始前的准备工作
开始前建立文件夹用于存储正负样本和HardExample，正样本图片直接复制INRIA中的正样本图片，负样本图片通过裁剪得到。
$ mkdir -p dataset/pos dataset/neg dataset/HardExample
$ cp INRIAPerson/96X160H96/Train/pos/* dataset/pos/
编译出可执行文件
$ cmake .
$ make
也可以在命令行使用编译出可执行文件，例如g++
$ g++ -o CropImage crop_image.cpp $(pkg-config opencv --cflags --libs)
$ g++ -o SvmTrainUseHog main.cpp $(pkg-config opencv --cflags --libs)
$ g++ -o GetHardExample find_save_HardExample.cpp $(pkg-config opencv --cflags --libs)
2024-04-24
基于PCA和SVM的人脸识别
svm
基于PCA（主成分分析）和SVM（支持向量机）的人脸识别是一种常见的方法。这里是一个简要说明：
PCA（主成分分析）：
PCA是一种降维技术，它通过线性变换将高维数据转换为低维数据，同时保留最大的数据方差。
在人脸识别中，PCA被用来提取人脸图像中的主要特征，从而减少数据的维度，并保留最重要的信息。
SVM（支持向量机）：
SVM是一种监督学习算法，用于分类和回归分析。
在人脸识别中，SVM被用来构建一个分类器，以将提取的人脸特征映射到相应的人脸身份标签。
基于PCA和SVM的人脸识别流程：
训练阶段：
收集训练数据集，包括多个人的人脸图像和相应的标签。
对每个人脸图像应用PCA，将其转换为低维特征向量。
使用这些特征向量训练一个SVM分类器，使其能够将人脸特征向量与相应的人脸标签关联起来。
测试阶段：
对待识别的人脸图像应用相同的PCA转换，将其转换为与训练数据相同的低维特征向量。
使用训练好的SVM分类器，将待识别的人脸特征向量与已知的人脸标签进行比较，从而确定其身份。
优点：
PCA可以有效地降低数据的维度，减少计算复杂度，并提取最相关的特征。
SVM在处理
2024-04-24
基于情感词典、k-NN、Bayes、最大熵、SVM的情感极性分析
svm
基于情感词典的情感极性分析
—— 基于情感辞典的情感分析
对应文件：classifier.py DictClassifier
使用1：analyse_sentence
analyse_sentence（句子，runout_filepath=无，print_show=假）
对单个句子进行情感极性分析
sentence，待分析的句子
若runout_filepath指定，则将分析结果写入该文件;
若print_show为True，则在控制台输出分析结果。
运行实例：
d = DictClassifier()
a_sentence = "剁椒鸡蛋好咸,土豆丝很好吃"
result = ds.analyse_sentence(a_sentence)
print(result)
使用2：analysis_file
analysis_file（filepath_in， filepath_out， 编码=“utf-8”， print_show=False， start=0， end=-1）
filepath_in，待分析的句子文件
filepath_out，分析结果输出文件
2024-04-24
基于SVM的验证码破解程序
svm
一个基于SVM的验证码破解程序
##起因 弄这个项目的原因，是目前还没有发现一个比较好用的验证码识别模块，目前的验证码识别主要是基于google的光学字符识别Tesseract-OCR如PyOCR，识别精度有限，对于一些复杂的验证码无法识别
##目前主要工作 这个项目改造自 https://code.google.com/p/captchacker/，原项目已停止更新
##接下来的工作
整理代码，使能够模块化，提供一个通用接口
使用Python替换的原来C++，重写验证码分割及字符居中模块，做跨平台处理
增加利用anti-captcha的人眼识别功能来提供训练数据
如果有其他疑问，请与我联系 tangxuguo#gmail.com，欢迎提交代码
##环境搭建 运行环境（以下在ubuntu12.04 64位机器下测试）
安装libsvm
sudo apt-get install python-libsvm
安装opencv
sudo apt-get install libopencv-dev python-opencv
生成验证码pycaptcha
2024-04-24
基于RSSI测距的多边定位法仿真 生成五种网络拓扑结构
matlab下载
基于 RSSI（接收信号强度指示）测距的多边定位法是一种常见的无线定位方法，可以利用无线节点之间的信号强度信息来估计节点之间的距离。在仿真中，可以通过模拟不同的网络拓扑结构来评估该定位方法的性能。以下是五种常见的网络拓扑结构及其简要介绍：
星型网络拓扑结构：
在星型网络中，所有节点都直接连接到一个中心节点，形成类似于星星的结构。
这种结构简单明了，易于部署和管理，但中心节点的单点故障可能影响整个网络的性能。
网状网络拓扑结构：
在网状网络中，节点之间相互连接，形成一个网格状结构。
这种结构具有良好的容错性，即使某些节点失效，网络仍然能够正常工作，但节点之间的通信路径可能较长，导致延迟较大。
环形网络拓扑结构：
在环形网络中，节点按照环形排列，每个节点只与相邻的节点直接连接。
这种结构简单，适用于需要循环传输数据的场景，但对于大规模网络，环形结构可能导致数据传输路径较长。
树状网络拓扑结构：
在树状网络中，所有节点按照树的结构连接，有一个根节点和多个子节点。
这种结构简单，易于管理和扩展，但是受限于根节点的通信能力，可能会导致性能瓶颈。
混合网络拓扑结构：
2024-04-23
基于MATLAB的视频换脸
matlab下载
基于MATLAB的视频换脸
准备工作： 1）创建两个空文件夹“my picture”和“处理后的帧图” 2）准备换脸素材“1.jpg” 3）准备视频“待处理视频.mp4”
操作： 1）分割视频：运行a_Video_resolution.m会在“my picture”中保存每一帧的图片 2）处理每一帧的图片： 1、打开b_fusionDemo20180430.m，并设置要处理的图片起始帧数，可在“处理后的帧图”中观察效果 2、运行后MATLAB会把未处理的图片显示出来，是否手动处理根据你对视频质量的要求而定 3）把处理后的图片转为视频： 1、打开c_Video_compositing.m，设置要处理的图片起始帧数，并运行即可
2024-04-23
基于matlab的神经网络识别手写数字
matlab下载
使用 MATLAB 来实现神经网络识别手写数字是一个常见的任务。下面是一个简单的介绍，步骤如下：
1. 数据准备
首先，你需要一个手写数字的数据集，比如常用的 MNIST 数据集，它包含了大量的手写数字图像和对应的标签。你可以从公开的数据集网站下载这些数据集。
2. 数据预处理
在将数据输入到神经网络之前，通常需要进行一些预处理操作，包括图像归一化、降噪、图像大小调整等。MATLAB 提供了丰富的图像处理工具箱，可以方便地完成这些任务。
3. 构建神经网络模型
使用 MATLAB 的神经网络工具箱来构建一个适合于手写数字识别的神经网络模型。你可以选择不同的网络结构，比如多层感知器（MLP）或卷积神经网络（CNN），根据任务的复杂度和性能要求进行选择。
4. 神经网络训练
使用准备好的数据集对构建好的神经网络模型进行训练。你可以使用 MATLAB 提供的训练函数，比如 trainNetwork 或者 train，并根据需要设置训练参数，如学习率、迭代次数等。
5. 模型评估
训练完成后，需要对模型进行评估，以评估其在未见过的数据上的性能表现。可以使用交叉验证
2024-04-23
基于类别的稀疏表示分类器的简单实现-matlab版
matlab图像处理
这是一篇论文的仿真，论文题目是Class-Dependent Sparse Representation Classifier for Robust Hyperspectral Image Classification
效果并不是很好，只是实现基本功能，参数设置还有待仔细调整。
一共10个.m文件，各自作用简单介绍如下（实际上只用到了下面第一部分的七块代码）：
cdSRC.m 主程序
normalize_data.m 用来对原始数据归一化
lda.m 用来对原始数据进行降维
select_train_data.m 用来按比例选择训练样本
select_train_data1.m 用来按个数选择训练样本
OMP.m 用来在cdOMP过程中得到关于每类的稀疏矩阵，进而求得残差作为相关度信息
cdKNN.m 用来进行cdKNN得到欧氏距离信息
cdOMP.m 和 gradient_descent.m 是用梯度下降法求解cdOMP中的优化公式，超慢超慢，几乎不能用，但其实能跑出来，没舍得删
LFDA.m 一开始降维用的这个，正确率一直上不了80
2024-04-22
matlab复现基于voronoi图最小化围捕算法
matlab图像处理
循环控制
1. 判断所有的evader是否被抓住
2. 获取各个代理的位置
3. 计算场上或者的代理维诺图
将active的agent的index选出来
把这些代理的pos放到一个数组中
计算voronoi图
要计算维诺图的无穷远边与凸多边形的交点，因为有无穷大，无法计算追求者的速度
所以必须设置边界，所有点在这个边界内运动，否则会出现计算nan，无法计算
需要对每个元胞构成的voronoi图的顶点重新分配，把无穷远的点替换成直线的交点
预处理：遍历所有的元胞，把元胞C在正方形外的顶点和无穷远的顶点ID都删除掉，只保留在正方形内的顶点
如果顶点在正方形上怎么办，作为有界区域处理，不管他
从vx，vy中倒序查找点，第二行最后一列是终点，第一行最后一列是起点，检测这样的线段是否与正方形的线段有交点
函数中已经把重复的点去掉了
有就把交点按顺序储存到V中（避免与之前的交点的ID产生冲突），接着把正方形的顶点也储存进去，打上ID，没有就过
需要检测是否有重复的点！
所有的边都检查完，为V中新添加的点找最近的两个元胞（用小于等于），并且为元胞打上ID
2024-04-22
Matlab实现基于EKF实现的姿态估计算法
matlab图像处理
基于扩展卡尔曼滤波（Extended Kalman Filter，EKF）的姿态估计算法用于估计飞行器或其他物体的姿态（即旋转状态），通常在惯性测量单元（IMU）和其他传感器的数据基础上进行。以下是该算法的基本原理：
1. 系统动力学建模
首先，需要建立姿态估计的动态系统模型。通常使用旋转矩阵或四元数来描述姿态，然后根据物体的运动方程（通常是刚体运动方程）建立状态转移方程。这个过程可以将物体的旋转运动与传感器测量值联系起来。
2. 测量模型
在 EKF 中，需要建立测量模型，将系统状态（姿态）与传感器测量值联系起来。通常，使用惯性测量单元（IMU）来获取加速度计和陀螺仪的测量值。这些测量值可以通过姿态估计的动态模型与姿态进行关联。
3. 状态预测
在每个时间步，通过状态转移方程对系统的状态进行预测。这一步通过使用先前的姿态估计值和系统动力学模型来预测下一个时间步的姿态。
4. 测量更新
在收到新的传感器测量值后，使用测量模型将预测的状态与实际测量值进行比较，并根据测量残差来更新状态估计。这一步通过卡尔曼增益来融合预测值和测量值，以更新系统的状态估计值。
2024-04-22
基于MATLAB的数字图像处理演示系统
matlab图像处理
基于MATLAB的数字图像处理演示系统
一、设计题目
基于MATLAB的数字图像处理演示系统
二、设计要求
使用MATLAB编程实现仿真系统（包含算法可以是基本信号的显示、基本运算、数字滤波器设计等）。
三、设计实现
本系统设计了三个演示模块，分别为常见信号显示、图像滤波器、《数字信号处理》仿真系统，实现 了对常见的13种信号的显示功能，6种图像增强功能，4种图像添加噪声的功能，3种图像滤波功能，信 号叠加、采样、恢复、频域显示等过程演示功能，为方便后续的使用使用deploytool将所有.m文件打 包成独立可执行程序.exe。
1. 图像加载和显示
首先，该系统应该能够加载用户选择的图像，并在界面上显示出来。MATLAB 提供了 imread 函数来加载图像，并且可以使用 imshow 函数在 GUI 界面上显示图像。
2. 基本图像处理功能演示
系统可以包含一些基本的图像处理功能演示，如图像的灰度化、二值化、平滑处理、边缘检测等。用户可以通过界面上的按钮或菜单选择相应的功能，并查看处理后的图像效果。
2024-04-22
基于matlab-bp神经网络的数字图像识别
matlab图像处理
基于 MATLAB 的反向传播（Backpropagation，简称BP）神经网络的数字图像识别通常包括以下步骤和原理：
1. 数据准备
首先，需要准备用于训练和测试的数字图像数据集。数据集应该包含各种类别的图像样本，并且每个样本都应该标记有对应的类别信息。在 MATLAB 中，可以使用图像处理工具箱来加载、预处理和标记图像数据集。
2. 网络设计
根据任务的复杂程度和数据集的特点，设计一个合适的神经网络结构。典型的神经网络结构包括输入层、隐藏层和输出层。在数字图像识别任务中，输入层节点的数量通常对应于图像的像素数，输出层节点的数量对应于类别的数量。隐藏层的数量和节点数可以根据需要进行调整。
3. 网络训练
使用训练数据集对神经网络进行训练。训练过程中，通过反向传播算法不断调整网络参数，以最小化训练样本的损失函数。反向传播算法基于梯度下降法，通过计算损失函数对网络参数的梯度，来更新参数值，使得网络的输出尽可能接近实际标签。
4. 网络测试与评估
使用测试数据集对训练好的神经网络进行测试，并评估其性能。通过比较网络的输出与实际标签，可以计算出识别准确率
2024-04-22
基于 MATLAB 的波导、谐振器特性的三维可视化演示
matlab图像处理
在 MATLAB 中进行波导和谐振器特性的三维可视化通常涉及以下步骤和原理：
1. 定义波导和谐振器的几何形状
首先，需要定义波导和谐振器的几何形状。这包括波导的宽度、高度以及谐振器的尺寸等参数。在 MATLAB 中，可以使用基本的几何图形函数（如 rectangle、cylinder 等）来创建这些结构的几何形状。
2. 创建三维网格
为了在三维空间中可视化波导和谐振器的结构，需要创建一个三维网格，以表示这些结构的表面。可以使用 MATLAB 的 meshgrid 函数来创建这样的网格。通常，网格的密度会根据需要进行调整，以便在可视化中获得足够的细节。
3. 绘制表面
利用定义好的几何形状和三维网格，可以使用 MATLAB 的绘图函数（如 surf、mesh 等）来绘制波导和谐振器的表面。通过指定适当的颜色、边缘样式和光照效果，可以使得可视化结果更加清晰和美观。
4. 可视化设置
在绘制表面之后，可以进一步添加一些可视化设置，如添加坐标轴标签、设置图例、调整视角等，以增强可视化效果和提供更多的信息。
5. 可选：仿真和分析
2024-04-22
基于扩展卡尔曼滤波（EKF）的四旋翼无人机姿态估计
matlab图像处理
扩展卡尔曼滤波（Extended Kalman Filter, EKF）是一种常用于非线性系统状态估计的滤波器，它通过在卡尔曼滤波器的基础上使用泰勒级数进行线性化，从而处理非线性系统。在四旋翼无人机姿态估计中，EKF 可以用于估计飞行器的姿态（即俯仰角、横滚角和偏航角）。
四旋翼无人机姿态估计的基本原理
传感器获取数据： 四旋翼无人机通常配备了惯性测量单元（IMU）传感器，包括加速度计和陀螺仪，用于测量飞行器的线性加速度和角速度。
姿态估计算法： EKF 将传感器测量数据与飞行器的动力学模型结合起来，通过迭代更新来估计飞行器的姿态。
状态空间建模： 将飞行器的姿态表示为一个状态向量，包括姿态角和角速度。通过动力学方程将状态向量与控制输入（例如电机转速）联系起来。
测量更新： 将传感器测量数据与状态空间模型进行比较，通过卡尔曼滤波器的预测步骤和测量更新步骤来更新状态向量的估计值。
EKF 在四旋翼无人机姿态估计中的应用
状态向量： 姿态角（俯仰角、横滚角、偏航角）和角速度。
系统动力学模型： 根据四旋翼无人机的动力学方程建立系统状态的演化模型，通常采用欧
2024-04-22
基于Matlab语言的路标识别
matlab图像处理
在 MATLAB 中实现路标识别通常涉及图像处理和计算机视觉技术。下面是一个基本的路标识别流程及其在 MATLAB 中的实现介绍：
路标识别流程
图像采集： 使用摄像头或加载图片采集道路图像。
预处理： 对采集到的图像进行预处理，包括去噪、调整亮度和对比度等操作，以提高后续处理的效果。
特征提取： 从预处理后的图像中提取特征，这些特征可以是边缘、角点、颜色信息等。
特征匹配： 将提取的特征与路标库中的特征进行匹配，找到与之相似的路标。
路标识别： 根据匹配结果确定图像中是否存在特定的路标，并标记其位置或进行其他处理。
在 MATLAB 中的实现
图像采集： 使用 imaq 工具箱中的函数进行图像采集，或者使用 imread 函数加载现有的图像文件。
预处理： 使用 MATLAB 中的图像处理函数，如 imnoise 进行去噪、imadjust 调整亮度和对比度等操作。
特征提取： 使用 MATLAB 中的图像特征提取函数，如 edge 提取边缘特征、corner 提取角点特征、extractHOGFeatures 提取HOG 特征等。
2024-04-22
基于HOG和SVM的人脸口罩识别算法
matlab图像处理
基于HOG和SVM的人脸口罩识别算法
文件架构
文件架构说明： HOGdescriptor.m ： 获取图像的HOG方向直方图 computeGradient.m ： 计算传入图像每个像素点在x，y轴的梯度
drawRectangleImage.m ：在图像上绘制方形框图 gamma1.m ： gamma校正算法
dection.m ：预测算法运行入口
guiTest.m ： MatlabGUI界面生成
使用说明
在进行预测之前需要先对样本进行训练，使用trainImg.m中的函数，修改正负样本文件夹路径
训练完毕后matlab会得到一个svm分类器
修改dection.m中的函数，修改需要进行预测的图片路径以及预测结果路径，将svm分类器传入该方法执行
本项目绝大部分训练集来自：https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset ， 感谢开源者的提供
参与贡献
伊纳
阿川
特殊说明
由于个人原因，此算法的准确率不高，对于一些较为特殊的人像可能无法识别，所以仅供学习使用
2024-04-22
基于matlab程序的各种回归、分类算法实现
matlab图像处理
回归算法原理介绍
线性回归 (Linear Regression)
线性回归通过拟合一个线性方程来建立特征和目标变量之间的关系。目标是找到一条直线（在一维情况下）或一个超平面（在高维情况下），使得预测值与实际值的残差平方和最小化。
多项式回归 (Polynomial Regression)
多项式回归通过拟合一个多项式方程来建立特征和目标变量之间的关系。它扩展了线性回归，允许了更复杂的关系。
岭回归 (Ridge Regression)
岭回归是一种用于处理多重共线性数据的线性回归技术。它通过在损失函数中添加一个惩罚项来调整模型的系数，从而减小系数的大小。
Lasso 回归
Lasso 回归是一种利用 L1 正则化来进行特征选择的线性回归技术。它通过最小化损失函数和系数的绝对值之和来找到稀疏解。
分类算法原理介绍
支持向量机 (Support Vector Machine, SVM)
支持向量机通过在特征空间中找到一个最优的超平面来进行分类。它试图找到一个能够最大化类别之间的间隔，并且能够将数据正确分类的超平面。
2024-04-22
基于Matlab的超声场可视化研究及GUI仿真模拟
matlab图像处理设计的目的及意义
1.有助于定位缺陷位置、定量检测精度
2.将抽象的理论公式利用可视化技术进行分析
3.有助于提高检测精度和可靠性以及检测效率
4.形象直观表达了声场的特性
设计的具体内容
1.超声波的声场特性理论研究
2.圆形活塞换能器的辐射声场分布仿真模拟
3.矩形活塞换能器的辐射声场分布仿真模拟
4.圆形活塞换能器脉冲声场分布
5.GUI人机交互集成仿真的程序
超声场的声压分布规律
波动微分方程中对应的空间波动的亥姆霍兹方程:
其解为:
声轴线上的声压分布表达式:
可视化仿真结果:
声轴线横截面声场的声压分布
远场一点M处无衰减的声压振幅为:
可视化仿真结果:
指向性理论及可视化
圆形活塞换能器的指向性函数表达式:
可视化仿真结果:
圆形换能器脉冲波声场声压分布数值计算
脉冲波声场声压:
脉冲波声场声轴线上的声压:
可视化仿真结果:
2024-04-22
基于matlab和计算机视觉实现的手势识别
matlab图像处理
手势识别是计算机视觉领域的一个重要应用，它可以将人的手势动作转换为计算机可理解的形式，从而实现与计算机的自然交互。基于 MATLAB 和计算机视觉技术实现手势识别通常包括以下步骤：
1. 数据采集与预处理
收集包含不同手势动作的图像或视频数据集。
对数据进行预处理，包括图像增强、去噪、手势分割等，以提高后续识别的准确性。
2. 特征提取
提取手势图像的特征，常用的特征包括颜色、形状、纹理等。
对于手势识别，可以使用如 HOG（方向梯度直方图）、SIFT（尺度不变特征变换）等特征描述符。
3. 训练分类器
使用采集的数据集训练分类器，常见的分类器包括 SVM（支持向量机）、KNN（K-近邻）、深度学习模型等。
在 MATLAB 中，可以使用自带的分类器训练函数，如 fitcecoc（多类别支持向量机分类器）等。
4. 手势识别
对新的手势图像或视频进行识别。
对图像进行特征提取，并使用训练好的分类器进行预测。
5. 交互与反馈
根据识别结果实现相应的交互与反馈，如控制游戏、虚拟键盘输入等。
2024-04-22
基于matlab编写的PCA人脸识别
PCA（Principal Component Analysis，主成分分析）是一种常用的降维技术，也被广泛应用于人脸识别领域。在MATLAB中，使用PCA进行人脸识别通常遵循以下步骤：
1. 数据准备
准备一个包含人脸图像数据的数据集，每张图像应该具有相同的尺寸。
将每张图像转换为向量形式，并将所有向量按列排列成一个数据矩阵。
2. 数据预处理
对数据进行零均值化（均值归一化），即将数据的每个特征减去其均值，以消除数据的平移性。
3. PCA 计算
使用 MATLAB 中的 pca 函数计算数据的主成分。
主成分是数据中方差最大的方向，在人脸识别中通常对应于人脸的主要特征。
4. 选择主成分
根据实际需求选择保留的主成分数量，通常可以根据累积方差贡献率来确定。
选择较高贡献率的主成分，以保留足够的数据信息。
5. 重构数据
使用选定的主成分对数据进行重构，可以通过乘以主成分矩阵来实现。
重构后的数据可以用于后续的识别任务。
6. 识别过程
对于待识别的新人脸图像，首先将其投影到选定的主成分空间上。
然后计算该投影与训练集中各个人脸的距离（通常使用欧氏距离）。
2024-04-22
基于MATLAB和GAZEBO的激光slam仿真
matlab图像处理
在 MATLAB 和 Gazebo 中进行激光 SLAM（Simultaneous Localization and Mapping）仿真是可行的，但需要一些步骤和工具。下面是一般的步骤和所需工具的简要介绍：
步骤：
构建仿真环境：
使用 Gazebo 创建一个仿真环境，包括地图、机器人模型、激光传感器等。
在 Gazebo 中加载地图和机器人，设置激光传感器的参数。
与 MATLAB 连接：
使用 ROS（Robot Operating System）作为中间件，将 Gazebo 和 MATLAB 连接起来。
在 MATLAB 中使用 Robotics System Toolbox 提供的功能来与 ROS 通信。
激光 SLAM 算法：
在 MATLAB 中实现激光 SLAM 算法，例如经典的 Hector SLAM、GMapping 等。
将激光数据从 Gazebo 传输到 MATLAB，执行 SLAM 算法，并获取机器人的位姿估计和地图数据。
可视化结果：
将 SLAM 算法生成的地图数据在 MATLAB 中进行可视化，以及机器人的实时位姿估计。
2024-04-22
基于Matlab的LDPC编解码算法实现及LDPC码性能测试
matlab图像处理
LDPC是Low Density Parity Check Code英文缩写，意为低密度奇偶校验码，最早在20世纪60年代由Gallager在他的博士论文中提出，但限于当时的技术条件，缺乏可行的译码算法，此后的35年间基本上被人们忽略。直到1993年Berrou等人发现了Turbo码，在此基础上，1995年前后MacKay和Neal等人对LDPC码重新进行了研究，提出了可行的译码算法，从而进一步发现了LDPC码所具有的良好性能，迅速引起强烈反响和极大关注。经过十几年来的研究和发展，研究人员在各方面都取得了突破性的进展，LDPC码的相关技术也日趋成熟，逐渐有了商业化的应用成果，如今LDPC码已经作为众多新一代通信标准中的信道编码方案：DVB-S2 (Digital Video Broadcasting)、IEEE 802.3an (Ethernet)、IEEE 802.16e (WiMax)、IEEE 802.11n (WiFi)、3GPP 5G标准。
LDPC码是一种稀疏校验矩阵线性分组码，在LDPC编码中，会用到一个叫做H矩阵的校验矩阵
2024-04-22
基于matlab和bag of words的图像分类
matlab图像处理
基于matlab和bag of words的图像分类， 目录中不包含数据集！
设计目标
输入一幅图像，输出标签
可以固定图片大小
实现
数据集：caltech101
matlab + bag of words
改自ImageCategoryClassificationTrainSample
bag of words：利用matlab中bagOfFeatures函数提取SURF特征并K-means聚类构造“词典”
svm：利用trainImageCategoryClassifier函数训练线性SVM分类器
测试结果：
训练集正确率：97.91%
测试集正确率：30.11%
matlab + cnn + svm
改自DeepLearningImageClassificationSample
cnn：利用预先训练好的AlexNet CNN网络获取特征向量，由于AlexNet已经针对ImageNet上的众多样本进行了训练，从其中抽取的特征向量对于一般图像具有较强的区分能力
svm：fitcecoc函数可以方便地训练基于SVM的多分类分类器
测试结果：
训练集正确
2024-04-22
基于matlab分别使用了模拟退火算法和蚁群算法解决TSP问题
matlab图像处理
使用 MATLAB 实现模拟退火算法（SA）和蚁群算法（ACO）来解决旅行商问题（TSP）是可行的。下面我将简要介绍如何在 MATLAB 中实现这两种算法来解决 TSP 问题：
模拟退火算法（SA）：
初始化：随机生成初始解，并计算其路径长度。
循环迭代：
通过改变解的状态（例如，交换两个城市的位置）来生成邻域解。
根据 Metropolis 准则或其他接受准则，决定是否接受新解。
逐步降低温度，控制接受概率，直至达到停止条件。
输出结果：输出最优解及其路径长度。
蚁群算法（ACO）：
初始化：随机放置一群蚂蚁在城市之间，并初始化信息素矩阵。
循环迭代：
每只蚂蚁根据信息素浓度和启发式信息（如距离）选择下一个要访问的城市。
蚂蚁完成路径后，根据路径长度更新信息素矩阵。
重复上述步骤，直至达到停止条件。
输出结果：输出最优路径及其长度。
在 MATLAB 中实现：
编写 TSP 函数：编写一个函数来计算城市之间的距离矩阵，以及评估路径长度的函数。
实现 SA 算法：编写一个函数来实现模拟退火算法，包括生成邻域解、计算接受概率等。
实现 ACO 算法：编写一个函数来
2024-04-22
基于MATLAB实现传统图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM、三维块匹配滤波BM3D）和基于深度卷积神经网络的
matlab图像处理
该项目是为了研究基于深度卷积神经网络的图像去噪算法，是利用DnCNN模型，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。
1.2 噪声强度和类型
项目中实现五种算法对噪声强度为10,15,20...60,65,70的高斯白噪声进行处理。
1.3 评价指标
图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。SSIM取值为0到1，越接近1，表示效果越好。
2. 数据集介绍
该项目中只是对Set12数据集进行处理，也就是项目中的Set12目录下的12张图片。如果觉得数据量不够充分，可以自行添加其他数据集，在代码中修改一下数据集的目录即可。
3. 代码介绍
对于均值滤波、中值滤波、和NLM，MATLAB都已经实现了，所以我们直接调用MATLAB自带的函数就可以。
BM3D和DnCNN的代码都是从别人那儿clone下来，做了一些小的修改。
五种算法都是对Set12数据集进行去噪
2024-04-22
基于matlab-dtw的语音识别
matlab图像处理
基于 MATLAB 的 DTW（动态时间规整）的语音识别是一种利用 MATLAB 软件和 DTW 算法来实现语音识别的方法。下面是该方法的介绍：
动态时间规整（DTW）：
DTW 是一种用于比较两个序列之间的相似度的方法，尤其适用于时间序列数据，如语音信号、手写笔迹等。
DTW 能够在两个序列长度不同或速度不同的情况下，找到它们之间最佳的匹配路径，从而量化它们之间的相似度。
系统组成：
特征提取：从语音信号中提取特征向量，常用的特征包括 MFCC（梅尔频率倒谱系数）、LPCC（线性预测倒谱系数）等。
训练模型：利用已知的语音样本进行模型训练，通常采用高斯混合模型（GMM）或者隐马尔可夫模型（HMM）等。
语音识别：将待识别的语音信号与训练好的模型进行匹配，得到最佳匹配路径。
后处理：对识别结果进行后处理，如语言模型的应用、错误修正等。
工作原理：
首先，从语音信号中提取特征向量，例如MFCC。
然后，利用 DTW 算法比较待识别的语音特征向量序列与训练样本的语音特征向量序列之间的相似度。
最后，根据 DTW 算法得到的最佳匹配路径，识别出最有可能的语音单词
2024-04-22
基于MATLAB的车牌识别系统
matlab图像处理
基于MATLAB的车牌识别系统是一种利用MATLAB软件及其图像处理工具箱开发的系统，旨在识别车辆图像中的车牌信息。以下是该系统的介绍：
系统组成：
图像获取模块：负责从摄像头、图像文件或视频流等来源获取车辆图像。
预处理模块：对获取的车辆图像进行预处理，包括图像增强、去噪、边缘检测等操作，以提高后续识别的准确性。
车牌定位模块：通过图像处理算法定位车辆图像中的车牌位置，通常采用形态学操作、边缘检测等技术。
字符分割模块：将车牌图像中的字符进行分割，以便后续单独识别每个字符。
字符识别模块：利用字符识别算法对分割后的字符进行识别，通常采用模式识别、深度学习等技术。
结果显示模块：将识别出的车牌信息显示在用户界面上，或者输出到文件或数据库中。
工作原理：
首先，系统从摄像头或者图像文件中获取车辆图像。
然后，对获取的车辆图像进行预处理，以增强图像质量并减少噪声。
接着，通过车牌定位模块找到车辆图像中的车牌位置。
将定位到的车牌图像进行字符分割，得到单独的字符图像。
最后，利用字符识别模块对每个字符图像进行识别，并将识别结果显示或输出。
功能特点：
2024-04-22
毕设 Android端手机APP 基于STM32、RFID的宿舍门禁系统
基于STM32和RFID的宿舍门禁系统是一种智能化管理系统，通过STM32微控制器和RFID技术实现对宿舍门禁的控制和管理。以下是该门禁系统的介绍：
硬件组成：
STM32微控制器：作为门禁系统的主控制器，负责接收RFID读卡器的信号并进行处理，控制门禁的开关和权限管理。
RFID读卡器：用于识别佩戴RFID卡片的用户身份信息，读取RFID卡片中存储的信息。
电磁锁：作为门禁系统的开关装置，控制宿舍门的开关状态。
显示屏/指示灯：用于显示门禁系统的工作状态，如提示用户刷卡成功或失败等信息。
工作原理：
用户携带或佩戴RFID卡片靠近RFID读卡器。
RFID读卡器读取RFID卡片中存储的信息，并将其传输给STM32微控制器。
STM32微控制器接收到RFID卡片的信息后，进行身份验证和权限检查。
如果用户的身份信息和权限通过验证，STM32微控制器控制电磁锁开启门禁系统，允许用户进入宿舍。
如果验证失败，则门禁系统保持关闭状态，拒绝用户进入宿舍。
功能特点：
安全可靠：基于RFID技术进行身份识别和权限管理，确保门禁系统的安全性和可靠性。
便捷高效：用户只需携带RFID卡片靠近
2024-04-22
毕设基于Stm32 + MPU6050的体感遥控车
基于STM32和MPU6050的体感遥控车是一种利用STM32微控制器和MPU6050陀螺仪/加速度计模块实现的智能遥控车，用户可以通过身体的倾斜和转动来控制车辆的运动方向和速度。以下是该体感遥控车的介绍：
硬件组成：
STM32微控制器：作为遥控车的主控制器，负责接收MPU6050传感器的数据，并控制车辆的电机进行相应的动作。
MPU6050陀螺仪/加速度计模块：用于感知车辆的倾斜和转动角度，提供给STM32微控制器作为控制信号。
电机驱动模块：用于控制车辆的电机，控制车辆的前进、后退、转向等运动。
车轮和底盘：构成了车辆的物理结构，支撑和运动车辆的各个部件。
工作原理：
MPU6050感知用户身体的倾斜和转动角度，将数据传输给STM32微控制器。
STM32微控制器根据接收到的倾斜和转动数据，计算出车辆应该执行的动作，如前进、后退、左转、右转等。
STM32微控制器通过电机驱动模块控制车辆的电机，实现相应的运动动作。
功能特点：
体感遥控：用户可以通过身体的动作来控制遥控车的运动，实现更加直观和自然的操控体验。
灵活转向：根据用户的倾斜角度和转动方向，遥控车可以灵活地进行转
2024-04-22
毕设基于ESP8266 Mesh SDK开发的WIFI门禁考勤系统
基于ESP8266 Mesh SDK开发的WiFi门禁考勤系统是一种利用ESP8266系列芯片和Mesh网络技术实现的智能门禁和考勤管理系统。以下是该系统的介绍：
ESP8266 Mesh SDK：
ESP8266 Mesh SDK是Espressif Systems提供的一套软件开发工具包，用于开发支持Mesh网络的ESP8266芯片应用。
该SDK提供了一系列API和示例代码，可用于实现Mesh网络的搭建、节点管理、消息通信等功能。
系统组成：
门禁控制器节点：每个门禁设备都是一个ESP8266 Mesh节点，负责控制门锁的开关、读取刷卡信息、上传考勤数据等功能。
考勤管理服务器：系统中有一个中心服务器用于管理所有门禁设备，收集考勤数据并进行存储、处理和分析。
刷卡读卡器：安装在门禁设备上，用于读取员工的身份信息，如IC卡、RFID卡等。
功能特点：
门禁控制：允许合法员工通过刷卡、密码或其他身份验证方式进入指定区域。
考勤管理：记录员工的进出时间、刷卡信息等，用于考勤统计和管理。
实时监控：管理员可以通过服务器实时监控门禁设备的状态和员工的出入情况。
报警功能：支持异常事
2024-04-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人