- 博客(18)
- 收藏
- 关注
RSS订阅原创 人工智能课程设计毕业设计——基于机器学习的手写汉字识别系统
在上世纪60年代，美国IBM公司开始进行了对印刷体汉字的模式识别研究工作；1996年Casey和Nag用模板匹配法成功的识别出了1000个印刷体汉字，在全球范围内，基于汉字的识别研究开始展开了。而就在这个时候，研究界对手写汉字识别也掀起了高潮。日本率先开始研究手写汉字识别，到了80年代，国内开始了对手写汉字的研究，因为汉语作为我们的母语，汉字主要在我国广泛使用，对汉字的种类、内涵、造字原理国内的掌握情况较透彻，所以关于手写汉字识别的深入研究主要集中在国内。
2023-12-15 16:58:20
5484
2
原创 2022年B题泰迪杯国家级二等奖——电力系统负荷预测分析
电力系统负荷预测分析摘 要电力系统的电力负荷预测在现实中有着重要的作用，其预测结果直接影响能源的合理利用和电力的供需平衡，以及给社会带来的经济效益与社会效益。电力系统负荷预测是需要根据电力负荷的历史数据，与相关历史天气数据等天气影响，经济状况、社会现状等基础数据作为预测支撑对未来一段时间内的系统负荷做出预测。电力系统负荷预测对于电力系统安全、可靠、经济运行具有重要意义。电力系统负荷预测一般以预测时间周期进行分类，一般有短期、中期和长期电力系统负荷预测。针对第一题第一小问，它
2023-12-14 19:09:59
1601
1
原创 人工智能课程设计毕业设计——基于PSPNet的人体解析
PSPNet(Pyramid Scene Parsing Network)模型的提出是因为基于FCN的模型的主要问题是缺乏合适的策略来利用全局场景中的类别线索分割结果不够精细并且没有考虑上下文，即FCN模型注重的是图像的分辨率恢复问题，而PSPNet模型即是关注考虑上下文，获得图像的全局的视野。PSPNet模型主要是通过利用不同大小的池化来增大感受野的(Receptive Field)，通过增大感受视野从而达到考虑上下文信息的目的。
2023-12-13 19:17:36
1449
原创 人工智能课程设计毕业设计——基于YOLOv3的安全帽佩戴检测
数据集来自公开的安全帽Helmet Detection数据集，总共分为两类，分别为“head”和“helmet”，其中未佩戴安全帽的人使用“head”来表示，而佩戴安全帽的人用“helmet”标记，其中包含了5000张已经标注好的规格大小都为415×416的图片以及对应的标签xml文件，xml文件中记录了对应图片的标注框的个数、边界值以及类别，即如图4-1所示。本次数据集以7：2：1比例分别划分3500张为训练集，1000张为验证集以及500张为测试集。图4-1标签信息4.2。
2023-12-13 19:14:11
1537
原创 人工智能课程设计毕业设计——基于机器学习的贷款违约预测
另外LightGBM通过使用基于直方图的决策树算法，只保存特征离散化之后的值，代替XGBoost使用exact算法中使用的预排序算法（预排序算法既要保存原始特征的值，也要保存这个值所处的顺序索引），减少了内存的使用，并加速的模型的训练速度。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，构成一个更强的最终分类器，Boosting，也称为增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器。
2023-12-12 20:02:58
3287
9
原创 人工智能课程设计毕业设计——基于YOLOv3的车辆检测和车道线检测系统
5.1本实验使用的数据集是UA-DETRAC 数据集，它是一个具有挑战性的真实多目标检测和多目标跟踪基准。该数据集由10小时的视频组成，这些视频由中国北京和天津的24个不同地点使用Cannon EOS 550D摄像机拍摄。视频以每秒 25 帧 （fps） 的速度录制，分辨率为 960×540 像素。UA-DETRAC 数据集中有超过 140 000 个帧，手动标注了 8250 辆车，总共有 121 万个标记了边界框的目标，而车辆分为四类，即轿车、公共汽车、厢式货车和其他车辆；
2023-12-12 19:41:26
3368
3
原创 人工智能课程设计毕业设计——城市电力负荷分析预测系统
电力系统负荷预测的精度对于整个电力系统的可靠性运行来说是非常重要的。电力负荷预测准确度的提高，不仅保证了电力系统负荷预测的可靠性，还能够保证社会电力能源例如企业生产和社会用电稳定供应。电力系统负荷预测还能对于电网改造等计划的制定具有良好的参考性，能够提高电网公司的经济效益，达到节能减排，降低成本的效果，同时还能提高电力系统的经济效益和社会效益。
2023-11-21 19:01:21
1338
原创 人工智能课程设计—新闻文本分类
本文的数据是来自THUCTC(THU Chinese Text Classification)，它是由清华大学自然语言处理实验室推出的中文文本分类工具包，能够自动高效地实现用户自定义的文本分类语料的训练、评测、分类功能。它的大小为1.56GB，为14个分类，一共有836075个数据（一个数据为一个txt文件），其中类别对应的数据量可见下图。通过上述的对比，我们可以发现在10中分类模型中，基于卷积神经网络的三个模型评估指标都是最高的，对比可见下图所示。
2023-11-20 20:00:03
779
原创 【python】数据挖掘机器学习模型——分类预测方法汇总
数据挖掘常用的一些模型进行简单的汇总，可能不全，但是都是一些比较经典的预测模型。本文使用的是鸢尾花数据集进行展示模型。
2023-10-03 15:44:06
2205
2
原创 【python】数据挖掘分析清洗——特征选择筛选(降维)方法汇总
特征降维是指通过某种方法将高维数据转换为低维数据的过程，同时尽可能地保留原始数据中的信息。在实际应用中，我们经常会面对大量的高维数据，如何有效地处理这些数据，发现其中潜在的规律和关系，是很重要的问题。特征降维可以帮助我们减少数据量和计算复杂度，并且可以避免过拟合等问题。数据如下图所示PCA降维技术、SVD降维和因子分析都是常用的数据降维方法。它们可以帮助我们从高维度的数据中提取出最重要的信息，从而简化数据、加速计算和减少噪音。
2023-04-28 11:11:55
1898
1
原创 【python】数据挖掘分析清洗——特征选择（特征筛选）方法汇总
特征构造得到足够的广度后，将这些特征进行筛选特征选择主要有两个功能：减少特征数量、降维，使模型泛化能力更强，减少过拟合增强对特征和特征值之间的理解通常来说，从两个方面考虑来选择特征：特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择特征选择指的是从原始数据中选择最具有代表性和重要性的特征，保留这些特征并去除无用或冗余的特征。
2023-04-27 16:15:28
10576
12
原创 【python】数据挖掘分析清洗——标准化(数据归一化)处理方法汇总
数据标准化指的是将不同尺度、不同单位或不同范围的数据转化为统一的标准数值，以便进行比较和分析。传送门数据标准化的好处包括：提高模型的准确性和可靠性。标准化可以消除数据的不同尺度和单位带来的影响，使得不同变量之间的比较更加公正，从而提高模型的预测准确性和可靠性。方便数据的比较和分析。标准化后的数据具有相似的量级、范围和分布，可以更加方便地进行比较和分析，从而发现数据之间的关系和趋势。减少数据处理的复杂度。标准化可以将数据转化为统一的标准数值，从而减少数据处理的复杂度和难度，节省时间和人力成本。
2023-04-24 18:15:47
7131
3
原创 【python】数据挖掘分析清洗——离群点(异常值)处理方法汇总
异常值处理的意义在于提高数据分析的准确性和可靠性。异常值往往会影响数据的统计特征，如平均值、方差等，从而导致错误的结论或预测结果。此外，异常值还可能干扰模型的拟合效果，使得模型对数据的解释能力变弱。因此，对于数据分析任务，我们通常需要进行异常值处理，以尽可能保证数据的质量和准确性。常用的异常值处理方法包括删除异常值、替换异常值、将异常值视为缺失值等。具体方法需要根据数据类型和任务要求来选择和实施。传送门。
2023-04-23 18:44:59
9187
5
原创 【python】数据挖掘分析清洗——离散化方法汇总
离散化是数据清洗中，非常重要的一部分，后续的标准化、异常值处理、模型等，都需要将一些文本数据进行离散化。这里我将离散化分为两大类别，数值型数据离散化，字符数据离散化连续变量离散化：连续变量离散化将连续的数据范围划分成若干个有序的、互不重叠的区间，然后将数据映射到对应的区间中。离散化后的数据可以更好地揭示变量之间的关系，提高模型的预测准确性。此外，连续变量离散化还可以降低计算复杂度，方便处理缺失值和异常值，并且更容易解释和可视化。字符离散化：字符离散化将字符型数据转化为离散型数据。
2023-04-03 15:45:15
1442
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人