物流人工智能_机器学习

字符分割和字符识别项目，包含项目收集数据集和cnn模型，以及项目的说明资料 项目语言：C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 源码编译 SVM: Libsvm ANN： Opencv CNN: Caffe 该项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了如何从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的全局特点，提出了四种不同的可能的车牌区域提取方法，经过校正后得到车牌区域候选人；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别。

基本步骤： 车牌定位->转灰度图->Otus分割->开运算->提取连通区域->显示最终结果

乳腺癌数据集

基于支持向量机的数据回归预测(libsvm) （Matlab完整程序和数据） 运行版本2018及以上

基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上 基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上 基于支持向量机的数据分类预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上

基于支持向量机的数据回归预测(SVM) （Matlab完整程序和数据） 基于支持向量机的数据回归预测(SVM) （Matlab完整程序和数据） 基于支持向量机的数据回归预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上

基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 基于支持向量机的时间序列预测(SVM) （Matlab完整程序和数据） 运行版本2018及以上

通过SVM和超像素分割进行光谱空间高光谱图像分类

SVM（支撑向量机模型）是二（多）分类问题中经常使用的方法，思想比较简单，但是具体实现与求解细节对工程人员来说比较复杂。本文从应用的角度出发，使用Libsvm函数库解决SVM模型的分类与回归问题