基于matlab采用KNN算法手写体数字识别实现.zip
- KNN 全称是 K- Nearest Neighbors ,K-近邻。简单来说,K就是邻居个数,选出和测试样本最像的邻居(这里是欧式几何距离最短的K个邻居),那么样本的邻居是什么,样本就是什么(在K个邻居里,假如邻居的标签最多的是数字1,我们就认为样本的标签就很可能是数字1)
- KNN 实现手写体识别的原理和代码都比较简单,但网上相关文章不多,本文只是把我自己的理解写下来作为学习matlab的实践,多有纰漏,请多指教
实现过程
1. 处理 MNIST 数据集
- 下载数据集,下载测试集、测试标签、训练样本、训练标签共四个文件
- 下载下来的数据集是 IDX 文件格式的,因此用 Python 转为 50×50 的PNG图片,代码在后
- 选取合适数量的测试集和训练集,训练集中每个数字的训练样本数要一致
2. matlab 实现步骤(以图像分辨率为 50×50例)
- 对所有图片做二值化处理:有值取1,无值取0
- 将 0-9 数字的训练样本矩阵化,每一幅数字图像都是一维矩阵。以50×50分辨率图像为例,获得 1×2500 的一维矩阵;每个数字860张图片,我们就得到了 8600 × 2500 的矩阵,这作为训练矩阵
- 在训练矩阵加入标签列,用来判断某一行指的数字是多少
- 对每一幅待识别数字图像,同样将其转为 1 × 2500 的一维矩阵,称为测试矩阵
- 计算测试矩阵与训练矩阵每一维的欧氏几何距离,同样按列向量加到训练矩阵,并按距离升序按行排列训练矩阵
- 对前 K 个行向量求标签的众数,结果标签就是采用 KNN 算法得到的最有可能的识别结果
基于压缩感知理论下的部分观测矩阵matlab代码实现.zip
基于压缩感知理论下的部分观测矩阵matlab代码实现
记录下常见的观测矩阵matlab实现:
伯努利随机观测矩阵
高斯随机观测矩阵
部分哈达玛观测矩阵
部分傅里叶观测矩阵
托普利兹观测矩阵
二进制稀疏随机观测矩阵
基于MINST数据库的手写体数字识别CNN设计,matlab实现.zip
基于MINST数据库的手写体数字识别CNN设计,matlab实现
**特征提取子网络:**
训练数据为28×28,像素值归一化为[0~1]的图像。经过9×9×20的滤波器矩阵滤波过后,提取出20×20×20的FeatureMap矩阵。将得到的特征矩阵经过ReLU激活函数后,求得Y1,Y1经过2×2的平均池化后,降低图像维度,得到Y2。
**分类子网络:**
分类子网络中采用“交叉熵+Softmax”和小批量算法的方法对数据进行训练,Y1经过Reshape函数转化为列向量,得到y2。y2再输入进分类子网络中。分类子网络采用BP策略,将误差向后传播,并更新网络中的权重值。
GA-基于SGA的自动组卷matlab实现.zip
GA-基于SGA的自动组卷matlab实现
实现说明
采用基础遗传算法(SGA)
选择算子:轮盘赌
交叉算子:随机单点交叉
变异算子:随机单点不重复变异
语言:Matlab
结果:实现 难度、知识点、曝光时间 三个维度满足条件的自动组卷,并未着手去解决早熟等问题,题库通过随机数模拟
基于MATLAB实现传统图像去噪算法和基于深度卷积神经网络的DnCNN图像去噪算法.zip
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DnCNN图像去噪算法
#### 1.1 项目的背景
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。
基于matlab程序的各种回归、分类算法实现.zip
基于matlab程序的各种回归、分类算法实现
- MLR - 多元线性回归
- PCA - 主成分分析
- PLS - 偏最小二乘
- LogisticR - 逻辑斯蒂回归
- Ganzhiji - 感知机(perception)
- PSO - 粒子群优化
- KNN - K_近邻
- Bayes - 贝叶斯
- OSC - 正交信号校正
- GDescent - 梯度下降
- ANN - 人工神经网络
- BOOSTING - 提升算法
基于Matlab的LDPC编解码算法实现及LDPC码性能测试.zip
基于Matlab的LDPC编解码算法实现及LDPC码性能测试
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(Parity Check Matrix),该校验矩阵为稀疏矩阵。
LDPC编码分为正则编码和非正则编码。正则编码中,校验矩阵的每行和每列中1的个数是固定的。非正则编码中,校验矩阵的每行和每列中1的个数不固定。
LDPC解码过程中,主要包括了两方面内容:硬解码(Hard Decode)和软解码(Soft Decode). LDPC解码的方法就是收到码字之后,与校验矩阵H相乘,如果是0矩阵,则说明收到的是正确码字。反之,则不正确码字,再根据相乘结果进行进一步纠错解码
基于Matlab实现模型预测控制(MPC).zip
基于Matlab实现模型预测控制(MPC)
MPC_Test.m,Copy_of_MPC_Matrics.m,Copy_of_Prediction.m是DR_CAN提供的示例代码,例子中的参考信号R=0,且输出方程y=x,即矩阵C为单位阵。([代码地址](https://www.bilibili.com/read/cv16891782))
MPC_demo.mlx 以一个二阶系统为例演示MPC,对DR_CAN的代码进行了拓展,参考信号可设,输出方程中的c可设。([笔记推导](./MPC_notes.pdf))
在控制的教材中,常常考虑参考信号为0的简化情况。在参考信号不为0的情况下,可以通过引入误差$e=z-z_{d}$,将误差作为新的状态量,可以将问题重新转换为参考信号=0的情况(参考误差信号为0),这在 资料
3.无人驾驶车辆模型预测控制 的推导笔记中有所涉及,引入了误差,同时通过误差实现了非线性系统的线性化。
基于MATLAB实现的蓝白车牌识别系统.zip
基于MATLAB实现的蓝白车牌识别系统
这是一个实现简单,准确率较高的方法。
一、本方法基于颜色特征实现车牌定位。
在HSI空间实现蓝色查找,思路来自博客《车牌识别LPR(五)-- 一种车牌定位法》[1]。
通过对疑似区域求外接矩形判断车牌区域,思路来自博客园 计算机的潜意识 的博客 《EasyPR--开发详解(4)》[2]。
二、通过垂直投影和连通域分析实现字符分割。
三、通过3层神经网络实现字符识别。
参考 Andrew Ng 在 coursera 上的机器学习课程[3]。
基于小波变换的信号突变点检测MATLAB实现.zip
基于小波变换的信号突变点检测MATLAB实现
参考文献
[1] 张德丰.基于小波的信号突变点检测算法研究[J].计算机工程与科学,2007(12):98-100.
[2] Misiti, Michel, et al. "Wavelet Toolbox 4–User’s Guide The MathWorks." Inc., Massachusetts, USA (2007).
[3] 吴茂. MATLAB R2016a 通信系统建模与仿真 28 个案例分析. 清华大学出版社, 2018.
Python 实现LSB算法进行信息隐藏 包含空域与变换域 JPEG信息隐藏算法
空域编码图像
* 空域编码是指在图像空间域进行编码,也就是直接针对图像像素进行编码
* 对像素进行编码,如LSB算法,主要有下面两种方式
* 光栅格式
* 调色板格式 GIF(graphics interchange format)
* 一个图像编码标准往往包括多类编码方法,一个图像仅仅是其一类方法的实例。例如,常见的BMP(Bitmap)、 TIFF(
Tagged Image File Format)、 PNG(Portable Network
Graphics)均支持光栅格式与调色板格式编码,对这两种格式
编码分别又支持多种具体编码方法
基于类别的稀疏表示分类器的简单实现,MATLAB代码版本.zip
基于类别的稀疏表示分类器的简单实现,MATLAB代码版本
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
基于BP神经网络实现手写数字识别与GUI可视化显示,实现工具:matlab.zip
基于BP神经网络实现手写数字识别与GUI可视化显示,实现工具:matlab
train_and_test中包含一个训练集和一个测试集,用于训练数据和测试识别成功率。
GUI1与GUI2分别是两种可视化实现,一种读入图片识别,一种自己手写数字识别。
基于MatLab实现LSB(最低有效位)算法完成图片数字水印隐写功能.zip
基于MatLab实现LSB(最低有效位)算法完成图片数字水印隐写功能
1. LSB简介
空域图像水印技术是指在图像的空间域中嵌入水印的技术。 最简单和有代表性的方案就是用秘密信息代替图像的最低有效位(LSB)或者多个位平面的所有比特的算法。 LSB(Least Significant Bits)算法:将秘密信息嵌入到载体图像像素值的最低有效位。如下图,我们可以将其每八位的最后一位替换成我们的秘密信息,也就完成了信息隐写的过程。
2. LSB原理
①:LSB隐写原理源于图片中的像素一般是由三种颜色组成,即三原色(红绿蓝),由这三种原色可以组成其他各种颜色,在PNG图片的存储中,每个颜色占有8bit,即有256种颜色,一共包含256的三次方颜色,即16777216中颜色,人类的眼睛可以区分约1000万种不同的颜色,剩下无法区分的颜色就有6777216,当我们把其中一些信息改变,图片只发生位变化(取最低位,权值最小),而人是觉察不到这种变化的,当时里面的信息却发生了变化,这样就实现了我们的数字隐写功能。PNG图片格式和BMP图片格式都是一种无损压缩,LSB隐写就是修改了像素中的最低位缩的图片上实现LSB隐写,如果是JPG图片,就没办法使用LSB隐写了,因为其是有损压缩。
②:例如,10进制的235表示的是绿色,我们修改二进制中的最低位,颜色依旧看不出有什么变化,还能保存我们的秘密水印,从而达到隐藏信息的目的
3. LSB特点
- 方法有一般性,可用于变化域
- 非常简单
- 非常快
- 易于实现
- 很高的容量和嵌入效率
- LSB位是随机的,与高位和其他点无关
- 优化比较方便
基于matlab的纸币面额识别系统
课题为基于matlab的纸币面额识别系统。带有一个人机交互界面。可以识别各种金额的人民币。可以实现找0功能。
Matlab基于人工神经网络对图片进行学习探测图片中一些边缘
Sparse Autoencoder的实现基于人工神经网络,activation function用的是sigmoid函数,参数调整用的是backpropagation。这个练习主要用于熟悉整个神经网络的实现和对Matlab各项基本功能的了解。练习所用的数据是一组黑白图片,神经网络对图片进行学习后,可以探测出图片中的一些边缘。
华东理工大学大学生创新创业训练计划-手写算式的识别与快速计算APP的设计与开发
华东理工大学大学生创新创业训练计划-手写算式的识别与快速计算APP的设计与开发
华东理工大学大学生创新创业训练计划-手写算式的识别与快速计算APP的设计与开发
飞思卡尔智能车程序可以实现智能车的各种功能,如自动巡线、避障
飞思卡尔智能车程序是一种用于智能车的编程语言,可以实现智能车的各种功能,如自动巡线、避障等。飞思卡尔智能车程序主要由以下几部分组成:
1.底层驱动程序:包括底层硬件控制和通信协议等,负责与智能车的各个硬件模块进行交互。
2.上层控制程序:负责实现智能车的各种功能,如自动巡线、避障等。
3.算法库:包括各种图像处理、运动控制等算法,可以帮助开发者更方便地实现各种功能。
4.调试工具:包括仿真器、调试器等,可以帮助开发者调试程序、测试硬件等。
使用飞思卡尔智能车程序可以快速开发出高效、稳定、可靠的智能车应用。同时,飞思卡尔智能车程序还提供了丰富的学习资源和社区支持,可以帮助开发者更快地学习和掌握该编程语言。
ThinkPHP5多小区物业管理系统源码PHP物业管理系统(多小区支持)
物业管理系统功能模块说明
1. 统计分析
以小区为单位,统计如下数据:
小区总栋数
小区总户数
小区总人数
小区租户数量
小区每月收费金额统计
小区车位统计
小区车辆统计
小区宠物统计
小区报修统计
2. 小区管理
主要功能:小区概述,坐落地址,占地面积,开发商名称,物业公司名称,绿化率等信息。
3. 房产信息管理
记录每个住户的基本信息,包括户主,房间数,单元信息,楼层
4. 业主信息管理
记录业主基本信息、业主家庭成员、车辆、宠物等信息。
5. 停车位管理
记录车位基本信息(车位编号)
记录车位的使用情况(租或买),费用等信息。
6. 服务管理
主要模块有社区活动管理、客户投诉管理、报修管理、信箱管理。
7. 资产设备管理
公共设备管理,比如电梯,路灯,垃圾桶,配电箱管理等等。
8. 收费管理
主要功能模块:收费项目定义、缴费记录管理。
python爬虫教程系列、从0到1学习python爬虫,包括浏览器抓包,手机APP抓包
python爬虫教程系列、从0到1学习python爬虫,包括浏览器抓包,手机APP抓包,如 fiddler、mitmproxy,各种爬虫涉及的模块的使用,如:requests、beautifulSoup、selenium、appium、scrapy等,以及IP代理,验证码识别,Mysql,MongoDB数据库的python使用,多线程多进程爬虫的使用,css 爬虫加密逆向破解,JS爬虫逆向,分布式爬虫,爬虫项目实战实例等
android视频播放器,并整合DLNA功能(DMC、DMS、DMP、DMR)
android视频播放器,并整合DLNA功能(DMC、DMS、DMP、DMR)
DLNA功能基于Cling
使用NanoHttpd实现本地文件共享访问
播放器可选内核MediaPlayer、IjkPlayer、ExoPlayer
图片加载使用Glide
项目内图标用的是字节的IconPark
播放器模块参考GSYVideoPlayer造了下轮子
基于matlab的rnb面额识别系统,带有一个人机交互界面
基于matlab的rnb面额识别系统。带有一个人机交互界面。可以识别各种金额的rnb可以实现找0功能。
基于matlab的rnb面额识别系统。带有一个人机交互界面。可以识别各种金额的rnb可以实现找0功能。
基于matlab的rnb面额识别系统。带有一个人机交互界面。可以识别各种金额的rnb可以实现找0功能。
基于matlab的rnb面额识别系统。带有一个人机交互界面。可以识别各种金额的rnb可以实现找0功能。
基于Matlab实现的SLIC算法.zip
基于Matlab实现的SLIC算法
% 基于KMeans的超像素分割
% img为输入图像,维度不限,最大值为255
% s x s为超像素尺寸
% errTh为控制迭代结束的联合向量残差上限
基于matlab可以对图片进行颜色识别并进行简单图像处理.zip
基于matlab可以对图片进行颜色识别并进行简单图像处理
一、基本功能:读取本地图片、实时采集图片、图像处理、结果保存
二、颜色识别:利用设置的RGB阈值对图片颜色进行分类并提取
三、灰度化:利用RGB通用比例进行灰度值转化
基于Matlab的Dijkstra算法.zip
基于Matlab的Dijkstra算法
**Dijkstra算法**:从一个节点遍历 *其余各节点的* 最短路径算法,解决的是有权图中最短路径问题。
如果仅仅只是想找到 *起点到终点* 的最短距离以及路径,那么在将终点从U集移动到S集后算法即可结束。
美赛模型与代码实现,基于python和MATLAB.zip
美赛模型与代码实现,基于python和MATLAB
美赛所有赛题冠名奖,O奖,F奖的代码以及常用模型的实现以及论文复现,基于python和MATLAB两种语言。
基于元胞自动机的城市城镇用地变化的预测以matlab实现.zip
基于元胞自动机的城市城镇用地变化的预测以matlab实现
工作流程:
1输入:两个年分的同一地区(已校准)的城镇-非城镇二值栅格图,以及预先计算好的P值图
2过程:修改demo.m中的文件路径以及阈值参数,运行
基于MFCC+GMM的声学事件检测(SED), MATLAB实现, 课程设计.zip
基于MFCC+GMM的声学事件检测(SED), MATLAB实现, 课程设计
本项目针对街道与交通道路场景,设计了一套用于突发公共安全事件识别的声学检测算法(以枪击、爆炸为例)。依次通过信号滤波、能量分析、MFCC特征提取、GMM分类器等环节实现声学事件检测。更多细节请查看文件:课题报告-室外公共场所突发安全事件声学检测系统.pdf
基于Matlab实现扩展卡尔曼滤波(EKF).zip
基于Matlab实现扩展卡尔曼滤波(EKF)
使用混合型扩展卡尔曼滤波器估计双摆模型在噪声干扰下的两个旋转角度(使用四阶龙格库塔法求解微分方程)。