斯坦福大学CoreNLP Stanford CoreNLP提供了一组用Java编写的自然语言分析工具。 它可以接受原始的人类语言文本输入，并给出单词的基本形式，它们的词性，是否是公司名称，人员名称等，规范化并解释日期，时间和数字量，标记句子的结构在短语或单词从属关系方面，并指出哪些名词短语指代相同的实体。 它最初是为英语开发的，但现在也为（现代标准）阿拉伯语，（大陆）中文，法语，德语和西班牙语提供不同级别的支持。 斯坦福大学的CoreNLP是一个集成的框架，这使得将大量语言分析工具应用于一段文本变得非常容易。 从纯文本开始，您只需两行代码即可运行所有工具。 它的分析为更高层次和特定领域的文本理解应用程序提供了基础构建块。 Stanford CoreNLP是一套稳定且经过测试的自然语言处理工具，已被学术界，行业和政府中的各个团体广泛使用。 这些工具使用基于规则的，概率机器学习和深度学习组件。 Stanford CoreNLP代码用Java编写，并根据GNU通用公共许可证（v3或更高版本）获得许可。 请注意，这是完整的GPL，它允许许多免费使用，但不能在分发给他人的专有软件中使用。 制

动物识别 数据来源：dphi 训练模型以识别5类动物 培训：6558张图像，验证：1638张图像，测试：901张图像 使用ImageDataGenerator进行图像增强，调整大小和规范化 使用Accuracy作为度量标准，并使用categorical_crossentropy作为损失函数 训练了几种不同的模型 楷模 描述 准确性 笔记 型号1：MLP 4层密集，图片尺寸[256x256]，优化程序=亚当 40％ 对于MLP来说还不错 型号2：MLP 具有2层滤除功能的5层密集模式，尝试了[256x256]和[100x100]，优化程序尝试了adam和sgd 停留在23％ MLP无法解决此问题 型号3：CNN 5层CNN + Maxpooling +辍学+密集，[256x256]，优化程序=“ adam” 停留在23％ 不确定CNN的成效不佳，当地最低收益吗？ 型号4：

matlab说话代码语音识别系统 这是关于使用MATLAB实现信号分析和语音识别系统。 特征 Speech_recognition_1.m 音频信号图 语音起点和终点检测 离散傅立叶变换 信号预加重 信号压缩（线性预测编码） Speech_recognition_2.m 特征提取（MFCC） 使用失真矩阵和动态规划的语音识别 数据 该项目中使用的数据是通过人工记录的。 “ 1、2、4、5、6”的声音分别录制了两次，分为2组。 重复录音主要用于语音识别部分，一组已知，用于测试以对语音进行分类。 结果 输出保存在./result目录中。 包括：信号波，DFT波，梅尔倒谱，点检测结果，识别结果。

该程序以一个指纹作为输入，并将其与数据库中的指纹进行比较。 如果找到匹配项，则显示指纹所有者的 ID。 您也可以向数据库注册新指纹。 它需要两个不同的指纹并提取其细节特征并存储它。 要求： Matlab 2014a + 图像处理工具包。 (64 位) 高级支持： https : //github.com/Darin-Sarra/MATLAB_FingerPrint/

步态识别系统[神经网络] V3.4：基于步态生物特征识别的神经网络的简单有效的源代码

使用深度学习的多手写数字识别（TensorFlow-Keras） 要求 TensorFlow（Keras） 的Python 3.5 + Numpy（+ MKL适用于Windows） PIL（枕头） Opencv的 tkinter（python GUI） 关于项目 使用CNN（卷积神经网络）在MNIST数据集上训练模型 将模型另存为'mnist.h5'（train_digit_recognizer.py） 使用tkinter GUI制作画布并在其上写数字 使用PIL在画布上获取“手写数字”的副本，并以“ img_ {image_number} .png”的形式保存到“ / img”中 同样在OpenCV帮助下，通过识别轮廓，它可以处理多个数字 使用保存的模型'mnist.h5'从画布预测保存的手写数字图像 屏幕截图 绘图画布... 输出图像... 使用PIL-ImageGrab

使用PCA以及KNN实现人脸识别。用PCA对原始图片进行降维，用KNN实现分类。

matlab最简单的代码在MATLAB中使用KNN进行人脸识别 摘要-本文主要着眼于识别一个人的身份，主要出于安全原因，这一点很重要，但它也可以用于快速访问医疗，刑事或任何类型的记录。 解决此问题很重要，因为它可以保护每个人的个人信息不被泄露。 索引词-MATLAB，图像处理，特征向量，特征值，欧几里得距离。 信号系统，PCA，图像识别，图像分割，KNN 1.引言 本文的想法是通过园区大门和Macbook或智能手机中的FaceID提出的，主要是基于MATLAB的图像处理。 我已经阅读了基于图像处理的不同算法，例如Adam算法，fisher人脸算法，反向传播神经网络等。但是我将展示使用MATLAB实现人脸识别系统的最简单方法，这里没有机器学习或卷积神经网络。需要使用网络（CNN）来识别人脸。 为了使人脸识别系统尽可能简单，我使用了基于eigenvector的识别系统。 2.要求 系统：CentOS 7.5.1804核心（RHEL 7.x） 内核：x86_64 Linux 3.10.0-862.el7.x86_64 壳牌：bash 4.2.46 CPU：Intel Core2 Duo P8

采用了HOG，EigenFace，FisherFace，颜色直方图，神经网络（基于LeNet-5）实现人脸识别，并且对各种方法的效果进行了对比。

速度检测和板块识别 检测车辆的速度并识别车牌号。