deleteeee-CSDN博客

将参数恢复初始状态，当alpha值减小到0.25后，如图11所示曲线先上升然后一直下降趋向于0，但是我将alpha调整为0.251如图12时，曲线还接近alpha为0.3时的曲线，也就是说alpha在0.25的时候会有一次较大的改变。图9 alpha=0.3，num=20，模糊系统中Ke=100，Ku=10，Kd=0.8。图10 alpha=0.3，num=20，模糊系统中Ke=50，Ku=10，Kd=1。图7 alpha=0.3，num=20，模糊系统中Ke=50，Ku=10。值，并进行详细的实验分析。

2024-02-02 17:29:41 2288

原创 matlab+Simulink实现微分方程求解及子系统封装

本文介绍了如何使用matlab脚本+simulink仿真实现微分方程和微分代数方求解，文中附完整matlab代码以及消息的simulink仿真过程，最后也有结果的分析

2024-02-01 11:00:07 5524 1

原创 Labview 图像处理系统设计

本文介绍了如何使用labview设计实现图像处理系统，系统功能完整，使用方便。

2024-01-30 14:57:41 3629 5

原创 AES 加解密python实现

本文介绍了通过python实现AES加解密算法，并且通过pyqt5工具实现界面化设计

2024-01-29 21:46:29 628

原创 MATLAB实现图像变换

本文介绍了如何使用matlab进行频域变换以及各种不同的频域操作对最终图像效果的影响

2024-01-27 11:55:13 1367

原创人工智能基于A*算法实现野人和修道士过河

本文利用了人工智能A*算法解决野人修道士经典问题，文章给出了详细的探究过程以及分析，并且附有完整的python代码

2024-01-26 22:42:32 1688 2

原创 python+keras搭建的模型部署至嵌入式端PSoc6

本文是前文的嵌入式端部署过程，介绍了如何在PSoc6上通过ML Configurator进行模型验证

2024-01-25 15:15:00 1519

原创 python实现字句集9步法冲突消解

本文描述了人工智能中字句集9步法化简的算法，给出了完整的代码以及结果展示

2024-01-24 11:05:17 1232 1

原创 python+keras如何自行简单搭建一个神经网路实现水果分类识别

本文介绍了使用python+keras框架自行搭建一个简单的神经网路进行5种水果分类识别，同时还包括模型性能评估方法。数据集和完整代码在资源中可以下载

2024-01-23 12:05:56 1793

原创机器学习算法实现简单的中医声诊样本分类

本文阐述了如何使用机器学习经典算法实现中医声诊分类，并且通过数据可视化技术进行了分析，大家也可以将此方法用于其它的分类任务，结尾附完整代码

2024-01-22 14:52:21 1419

原创机器学习算法实现刑事案件文本分类

本文详细说明了如何使用机器学习算法对于刑事案件文本进行分类，通过案件内容判断出对应的罪刑，文章中主要使用的是贝叶斯算法，与其它几个机器学习算法比较起来效果也最好。

2024-01-20 10:49:30 1577

原创 python机器学习+opencv实现果蔬识别

本文通过简单的方式，利用opencv进行图像处理，利用svm实现水果分类，将图像处理知识运用于实践，附完整代码及结果帮助大家更好的去学习相应知识

2024-01-19 09:00:00 4738 17

原创操作系统存储管理分区分配算法编程实现

C++实现操作系统存储管理分区分配的最佳适应和首次适应算法，附完整代码及结果

2024-01-18 15:41:27 607 1

原创 C语言实现操作系统的银行家算法

c语言编写的操作系统银行家算法，包含完整功能，附完整代码及结果，可供大家参考

2024-01-17 10:24:14 1431 1

原创 C语言实现操作系统时间片轮转+优先数算法

通过C语言编写操作系统中的时间片轮转和优先数算法，含有完整的代码以及结果，适合大家结合操作系统的课程去进行学习

2024-01-16 11:18:28 2094 1

python+keras框架搭建简单神经网路进行水果分类识别

利用机器学习keras框架搭建简单的网络，通过训练实现对水果的自动识别和分类。首先，我们采集了苹果、香蕉、葡萄、橙子和梨等五种水果的图像，并对其进行分类。随后，我们按照7:3的比例将图像分割为训练集和测试集，并对每张图片及其类别进行编码处理。然后，我们使用keras框架搭建神经网络进行训练，以实现对水果的自动识别。最后也有相关的指标分析。该压缩包种包括了训练文件train.py和测试文件test.py，训练文件代码中对图像的读取编码、模型的搭建及训练。测试文件代码中包括各种对模型性能评估的代码

2024-03-12

gtkwave+board.rar

用于rvfpga实验安装部分，内容包含vivado安装的board文件以及波形仿真的gtkwave文件

2024-03-08

Digilent 的 Board 文件，用于vivado安装

vivado安装需要该board文件，具体内容可以参考本人所写的文章中

2024-03-08

python+pyqt5实现AES加解密算法，压缩包中含完整代码

资源是用编程实现AES-128的加解密算法，满足给定明文和密钥加密得到密文，给定密文和密钥解密得到明文，最终用pyqt5界面化的形式呈现。本程序主要算法分别为轮密钥加、字节/逆字节替代、行移位/逆行位移、列混合/逆列混合、以及密钥拓展的实现。

2024-01-29

python+keras框架搭建简单神经网路进行水果分类识别

2024-01-23

机器学习实现法律文本分类

压缩文件中包括完整的项目代码，也有很多已经训练好的模型，其中有部分代码中进行了注释，使用时需要将注释去掉。此外，文件中包含了完整的停用词、处理后的数据集可供直接使用，若有疑问欢迎评论随着我国法制建设不断健全，法规日趋完善，人们的法律意识也越来越强。当前，随着越来越多的法律文本公开，为犯罪案件审理这个方面的挖掘积累了大量的文本内容。因此，通过收集法律与犯罪领域文本，构建起司法领域语料库，使用自然语言处理技术进行挖掘，实现文本分类，并利用机器学习等技术实现对法律案件的预测具有重要意义。文本分类算法，是计算机对文本集合按照事先定义好的类别体系进行自动分类标记的技术，它根据一个已经被标注的训练文档集合, 找到文档特征和文档类别之间的关系模型, 然后利用这种学习得到的关系模型对新的文档进行类别判断[1]。文本分类是自然语言处理的核心问题之一，相关研究成果已广泛应用于各行各业的文本处理中。在司法领域主要用于罪名分类，特定犯罪情节识别等。本项目旨在使用python语言，采用机器学习方法对大量刑事案件判决书进行学习的基础上，实现给定案情的案件可能的判决进行预测。

2024-01-20

包括微博等评论以及对应的情感，分为积极和消极两种，适用于情感分析训练

数据集种包含微博电商等领域的评论内容，分为两个类型，积极和消极。文件中包含两个txt的文件，pos.txt种存放的是积极情感的评论，有39000多条评论。neg.txt种存放的是消极情感的评论，有37000多条评论。可以供大家进行情感分析训练，也可以对已有模型进行重训练。其中还包括了snownlp中原本训练的语料库

2024-01-18

猫狗二分类数据集，可用于快速模型验证、性能评估、小数据集训练等

本数据集是简单的猫狗二分类数据集，共2个类别，其中训练集包含275张带注释的图像，验证集包含70张带注释的图像。数据集引用自网络，放在这方便可以大家直接下载

2024-01-18

yolov5s+crowdhuman数据集训练得到的best.pt文件

crowdhuman数据集是一个专门用于行人检测的数据集，使用yolov5s对15000张图像进行训练了20个epochs，验证集包括4370张图片。该pt文件可以直接用来进行识别行人，包括身体部分和头部框。也可以在此文件的基础上进一步去训练

2024-01-17

蓝桥杯练习 2^k进制数代码 python实现

解题思路:找到规律即可注意事项:主要要注意分段后可能剩下的不能组成k位的数值取值情况

2024-01-16

水果图像识别数据集约2000多张水果图像包括apple、banana、grape、orange、pear

数据集中约包含2000+张水果图像，一共有五类水果已经分好类存在不同水果名的文件夹下，五类水果分别为apple、banana、grape、orange、pear。为了确保数据集的多样性和代表性，我们从多个来源收集了水果图像，并对其进行了筛选和整理。在构建数据集的过程中，我们特别注意确保每个类别的样本数量均衡，以避免数据不平衡对模型训练和测试结果的影响。此外，为了验证模型的泛化能力，我们特意准备了另一个独立的测试数据集 Testreal，以更全面地评估模型在未知数据上的表现。在图像的选择和整理过程中，我们力求保证图像的质量和多样性，以确保模型能够对不同种类和不同外观的水果进行准确识别。我们相信这样的数据集构建能够为研究的实验结果提供可靠的基础，同时也为相关研究提供了具有挑战性和实用性的数据资源

2024-01-16

行人检测+改进yolov5s引入CoT模块+SIOU损失函数+在Crowdhuman大数据集上进行训练得到的模型pt文件

为了增强行人检测的能力，在原yolov5s的backbone特征提取部分将C3模块替换为CoT模块，用于增强Transformer结构，提高目标检测的性能。通过引入CoT模块，可以使得特征提取网络能够更好地利用输入特征图中位置之间的上下文信息，从而提高目标检测的准确性和效率。此外，在黑暗中，传统的目标检测技术可能会受到光线不足的影响，导致检测的准确性和可靠性下降。CoT模块则可以通过对目标的中心点进行定位和识别，从而在黑暗中实现更加可靠的目标检测。此外YOLOv5s中采用的CIOU损失函数更加注重目标的形状和长宽比例。CIOU损失函数在计算损失时考虑了目标框的中心点距离、宽高比例和角度距离等因素，这使得它在处理倾斜目标和小目标时具有更好的性能。但是，在处理遮挡和重叠目标时，CIOU损失函数可能会出现较大的误差，导致模型的预测结果不准确。而SIOU损失函数是一种用于目标检测模型训练的损失函数，它可以帮助模型更准确地预测目标的位置和大小。SIOU损失函数的优点在于它能够更好地处理目标之间的遮挡和重叠。

2024-01-16

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人