blotemj.blog.csdn.net

原创 ❤️blotemJ陆小马学习资源分享❤️

网盘资源将以微信公众号向大家分享需要什么资源去陆小马(blotemJ)公众号提出来,我给你找呀.更多资源请到下面or联系:blotemj@qq.comcsdn： 博客：https://blog.csdn.net/qq_30787727 下载：https://download.csdn.net/user/qq_30787727/uploadsb站：h...

原创 linux系统部署ThingsPanel开源物联网云平台

npm install -g --unsafe-perm node-red #默认安装最新版本，注意开启公⽹防⽕墙1880端⼝。新开一个终端，进入tcp根目录，执行mv conf/config.example.yaml conf/config.yaml。curl -sL https://rpm.nodesource.com/setup_16.x | bash - #更新。新开一个终端，进入gmqtt目录，执行go run . start -c default_config.yml。

原创 定制开发各种系统

原创 yolov5v8安卓部署AndroidStudio

联系。

原创 【包调试】新闻阅读app-Android studio项目

公号中咨询。

原创 【包调试】待办事项app-Android studio项目

公号中咨询。

原创 【包调试】视频播放app-Android studio项目

公号中咨询。

原创 【包调试】直播推拉流app-Android studio项目

公号中咨询。

原创 【包调试】计算器app-Android studio项目

公号中咨询。

原创 【包调试】二维码扫描app-Android studio项目

公号中咨询。

原创 【包调试】天气app-Android studio项目

Android studio项目。

原创 【包调试】外卖点餐app前后端系统

前端Android studio，web后端vue，elementUI，java，mysql。

原创 病房管理系统数据库设计

Navicat是一款功能强大的数据库管理和设计工具，它支持多种数据库系统，如MySQL、MariaDB、SQL Server、Oracle、PostgreSQL以及SQLite等。此外，通过分区、集群等技术，MySQL 可以实现数据的水平扩展。丰富的工具和插件：MySQL 提供了许多实用的工具和插件，如命令行客户端、图形化界面工具、监控工具等，以帮助开发者更高效地管理和使用数据库。其中，一个科室有若干个病房，若干张病床，多个医生，一个医生只属于一个科室，但可负责多个病人的诊治，一个病人的主管医生只有一个。

原创 基于目标检测工地安全帽和禁入危险区域识别系统

该项目是使用的程序来训练在智能工地安全领域中头盔目标检测的应用。

原创 【论文、项目：人工智能系列】相关性分析

Holt-Winters指数平滑。Holt线性指数平滑。

原创 【论文、项目：人工智能系列】特征选择

Deep Interest Network（深度兴趣网络）Tree-based methods（基于树的算法）Forward Selection（前向选择）mRMR（基于互信息的最大相关性算法）FP-Growth（频繁项集挖掘算法）Autoencoder（自编码器）MIQ（互信息快速近似算法）RFE（递归特征消除）

原创 【论文、项目：人工智能系列】预测方法

RF-GRU改进的随机森林算法优化。SSA-LSTM麻雀搜索算法优化。PSO-SVR粒子群算法优化。

原创 【论文、项目：人工智能系列】分类方法

引入主成分分析（Principal Component Analysis，简称PCA）和松弛变量（Relaxed Variables）来改进传统ELM算法。WHO-SVM动物社会行为中的分层结构启发，模拟动物社会中不同层次之间的互动和协作。主成分分析（PCA）、支持向量回归（SVR）和某种自适应或调整方法（ARM）RF-PSO-SVM随机森林粒子群优化算法避免过拟合，提高模型的泛化能力。PCA-SSA-BP基于主成分分析（PCA）和奇异值分解（SSA）BBO-SVM蝴蝶觅食和交配行为的启发算法。

原创 【论文、项目：人工智能系列】特征量化

在图像处理中，特征量化通常涉及将图像中的局部特征描述子映射到一个视觉词典中的视觉单词。它的基本思想是将提取的特征进行某种形式的转换或映射，以便更有效地进行比较、分类或识别。Rgb红绿蓝、hsv色调饱和度明度、lab明度红绿轴黄蓝轴CMYK青色洋红黄色黑色HLS色调亮度饱和度YCrCb（YUV）明亮度色调饱和度XYZ红色亮度绿色亮度蓝色亮度HSB色调饱和度亮度颜色空间。总的来说，特征量化是一种在图像处理和机器学习中广泛使用的技术，它通过将特征映射到更简化的表示形式，提高了数据处理和分类的效率。

原创 【论文、项目：人工智能系列】语义分割

语义分割（Semantic Segmentation）是计算机视觉领域中的一个重要任务，它涉及将图像中的每个像素分配给一个预定义的类别标签。简单来说，语义分割就是对图像中的每个像素点进行细致的分类，以便识别出图像中的不同对象或区域。在语义分割中，输出通常是一个与输入图像尺寸相同的像素级标签图（Label Map），其中每个像素都被标记为其所属类别的标签。总的来说，语义分割是计算机视觉领域中一个具有挑战性的任务，但随着深度学习技术的不断发展，我们有望在未来看到更多高效、准确的语义分割方法和应用。

原创 【论文、项目：人工智能系列】图像分割方法

使用条件随机场（CRF）和双向级联区域（Bi-directional Cascaded Region）的结合。基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于特定理论的分割方法。GS-SVM基于网格搜索（Grid Search）和支持向量机。基于层次Agglomerative、Divisive。Sobel、Prewitt、Canny、小波变换。基于密度DBSCAN、Mean Shift。能够有效地处理复杂背景和噪声。最小误差阈值分割方法。

原创 SVM优化算法有哪些

狼群搜索算法(WPS2007, WPA2013)缎蓝园丁鸟优化算法(SBO2017)海鸥算法优化 SVMCNN-SVM。粒子群算法(PSO*11995)正余弦优化算法(CSA2016)樽海鞘群算法(SSA2017)麻雀搜索算法(SSA2020)萤火虫算法(FA2009)乌鸦搜索(CSA2016)人工鱼群算法(AFSA)烟花算法(FA2010)模拟退火算法优化 SVM。布谷鸟搜索算法(CS)人工蜂群算法(ABC)布谷鸟算法优化 SVM。粒子群算法优化 SVM。天牛须算法优化 SVM。萤火虫算法优化 SVM。

原创 【论文、项目：人工智能系列】图像预处理方法整理

腐蚀、膨胀、开运算、闭运算、边界提取、区域填充、连通分量提取、凸壳。消除噪声、提取区域、测量尺寸、图像滤波、边缘检测和特征提取。简化图像数据、突出感兴趣区域、消除背景噪声。Otsu方法、K-means算法。Ddpm深度去噪扩散概率模型。水平翻转、平移缩放旋转。labelimg标注。消除亮度影响（环境）

原创 341农信真题整理

浙江农林大学11-830、12-830、13-830、14-842、15-842、16-842。湖南农业10、11、12、13、14y、15y、16y、17、18y、21。浙江海洋大学12y、14y、15y、17y、18y、19y。湖南农业大学10、12、13、14、15、16、17、18。河南师范12、13、14、15y、17y、18y。沈阳农业15、16、17y、19y、20、21y。浙江海洋学院12、13、14、15、16、17。河北科技师范学院17y、18y、19y、22。

原创 农信复试题

静态地址重定位是在虚拟空间程序执行之前，由装配程序完成的地址映射工作，它只完成了一个首地址不同的连续地址变换，要求所有待执行的程序必须在程序执行之前完成它们之间的链接，否则将无法得到正确的内存地址和内存空间。其核心思想是以联机的方式得到脱机的效果，具体来说就是在内存中形成缓冲区，在高速设备形成输出井和输入井，通过数据的传递和处理，提高设备的利用率。Linux是一种自由和开放源代码的类UNIX操作系统，它的内核设计简洁，对服务器工作负载进行了优化，能够更好地利用系统资源，提高系统的响应速度和处理能力。

原创 【论文、项目：人工智能系列】15SGD和Adam优化器有哪些改进版

这些改进的优化器在某些任务上可能表现出更好的性能，但选择哪种优化器需要根据具体任务和数据集的特点进行评估。Adam是一种自适应学习率的优化器，结合了Momentum和RMSprop的思想。是一种自适应学习率的优化器，它为每个参数计算一个单独的学习率，并根据参数的梯度历史来调整学习率。是一种改进的梯度下降方法，它使用指数移动平均来计算梯度的平方，并根据这个平均值来调整学习率。这些改进的优化器在深度学习中广泛使用，可以帮助模型更快地收敛，并提高模型的性能。的收敛，并使用自适应学习率来调整每个参数的学习率。

原创 【论文、项目：人工智能系列】14模型参数如何设置

学习率的大小：学习率的大小会影响模型训练的速度和稳定性。通常来说，建议从较小的学习率开始训练模型，然后逐渐增加学习率以观察模型的性能和稳定性。验证集表现：在设置学习率时，可以尝试不同的学习率，并通过验证集来评估模型的性能。学习率策略：不同的学习率策略会对模型的训练产生不同的影响。例如，固定的学习率可能会导致模型训练的不稳定，而动态的学习率调整策略则可以根据模型的表现实时调整学习率。学习率的衰减：在深度学习中，通常会采用学习率衰减的策略，即随着训练的进行，逐渐减小学习率。这样可以提高模型的训练效果和稳定性。

原创 【论文、项目：人工智能系列】线性核、多项式核和高斯核区别

对于简单的线性问题，线性核可能是更好的选择。通过在输入数据点周围放置RBF的中心点，并根据其距离来计算RBF的输出值，可以逼近原始数据的连续函数。需要注意的是，RBF的性能和效果取决于合适的参数选择，如中心点的位置和RBF函数的参数 γ。其中，φ(r)表示RBF函数的输出值，r表示输入样本与中心点之间的距离，x表示输入样本，c表示RBF的中心点，γ表示控制函数形状的参数。4. 数据降维：RBF可以用于数据降维，例如在主成分分析（PCA）中，通过构建基于RBF的核矩阵来实现数据的非线性映射和降维。

原创 【论文、项目：人工智能系列】13轻量化网络有哪些

这些轻量级网络在保持精度的同时，有效地减少了模型的体积和计算量，提高了模型的推理速度。：采用复合型网络结构，结合了深度、宽度和分辨率三个维度来提高网络的性能和效率。：采用微型的网络结构，结合了深度可分离卷积和逐点卷积等技术来减少参数和计算量。系列：采用混合精度训练的方法，利用较小的模型和参数量实现高效的推理。结构的轻量级网络，采用分组卷积和残差连接等技术来减少参数和计算量。：通过动态稀疏卷积来减少参数和计算量，提高网络的性能和效率。：通过学习权重量化来减少参数和计算量，提高网络的性能和效率。

原创 【论文、项目：人工智能系列】12迁移学习训练

避免从头开始训练：迁移学习可以避免从头开始训练模型的繁琐过程，直接利用预训练模型的参数作为初始参数，然后进行微调或特征学习。迁移学习将这些特征迁移到分类任务中，能够提高模型的分类准确性和鲁棒性。）：这种方法假设源任务和目标任务之间的模型参数是相似的，因此可以使用源任务的模型参数来初始化目标任务的模型参数。）：这种方法假设源任务和目标任务中的数据分布是相似的，因此可以使用源任务中的数据来对目标任务进行建模。）：这种方法假设源任务和目标任务之间的关系是相似的，因此可以使用源任务中的关系来学习目标任务中的关系。

原创 【论文、项目：人工智能系列】11不同的机器学习任务对应哪些不同的模型

出现了长短期记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）等改进的RNN模型。- 网络的深度和复杂性逐渐增加，出现了多种架构，如LeNet、AlexNet、VGG、ResNet和EfficientNet等。- 结合了非线性函数形式，例如使用逻辑斯蒂函数（logistic function）进行分类。- R-CNN系列（如Fast R-CNN、Faster R-CNN）- 最早用于二元分类问题，基于线性回归的分类模型。

原创 【论文、项目：人工智能系列】10YOLO模型优化思路

模型可改进的部分介绍

原创 【论文、项目：人工智能系列】9卷积神经网络

输入层Input-卷积层CONV（提取特征）-池化层POOL（压缩特征图）-全连接层FC（分类）-输出层Output。

原创 【论文、项目：人工智能系列】8神经网络

在神经网络中，每一层的神经元接收上一层传递下来的信号，通过权重和偏置进行加权和求和，然后经过激活函数产生下一层的输入信号。在前向传播过程中，输入数据通过每一层的权重和偏置进行线性变换，并经过激活函数进行非线性变换，然后输出到下一层，直到达到输出层。神经网络训练或优化的过程就是最小化损失函数的过程，损失函数越小，说明模型的预测值就越接近真实值，模型的健壮性也就越好。反向传播根据模型的预测结果和真实标签之间的差异，通过链式法则逆向计算梯度，并将梯度从输出层传播回网络的每一层，用于更新模型的参数。

原创 【论文、项目：人工智能系列】7模型构建

实际需求分析完了，数据准备完了，到这里重头戏来了，往往也是大家的兴趣所在。重点：数据预处理，选方法，各种调试，特征工程，不断实验。

原创 【论文、项目：人工智能系列】6数据预处理

数据预处理的方法和应用下面是数据预处理的方法和应用：1. 数据清洗：- 删除异常值、缺失值和重复数据；- 通过插值等方法填补缺失值；- 改正数据不一致或错误（例如拼写错误和数据格式错误）；- 降噪使数据更干净。这些数据清洗方法可以应用于任何需要数据分析的数据集中。2. 数据集成：将多个数据源的数据进行合并，包括：- 横向合并：将多个表按行连接成一个表；- 纵向合并：将多个表按列合并成一个表；- 基于时间轴的合并：将两个数据集基于时间轴关联起来。

原创 【论文、项目：人工智能系列】5数据采集

本系列主要讲思路，所以安排的顺序更灵活一些，符合认知逐渐提高的过程。

原创 【论文、项目：人工智能系列】4数据准备

4. 时间序列数据（Time Series Data）：时间序列数据表示按照一定时间顺序采样的数据点，时间通常作为数据的一个维度。3. 文本数据（Text Data）：文本数据表示以自然语言或字符为单位的数据，通常涉及到语义和语法的解析。1. 数值型数据（Numerical Data）：数值型数据表示具体的数值或测量结果，可以进行数学运算和统计分析。7. 视频数据（Video Data）：视频数据表示连续的图片序列，以一定的帧率播放。根据数据的形态特点和分析要求，选择合适的数据处理和分析方法是非常重要的。

原创 【论文、项目：人工智能系列】3模型评估

在进一步学习之前，需要了解一下模型好不好该怎么衡量，有哪些评估方法，然后才能有一个较为清晰的目标，是提高准确率或者轻量化还是速度等。本系列主要是视觉风向，所以主要介绍视觉相关。

原创 【论文、项目：人工智能系列】2实验设计方案

在第一节介绍了部分基本知识，有一个初步了解，无论是为了产出成果（论文）还是一个项目，首先要有一个实验设计或者方案，整理思路和流程，这样才能避免到了后期出现一些根本性错误，比如数据采集不合适、不完整，方法选取不对等。首先看流程。