人脸识别[Wavelet and Neural Networks] V2：基于小波和神经网络的简单有效的人脸识别源代码。 该代码已通过AT＆T数据库进行测试，达到了97.90％的出色识别率（每个类别40个类别，5个训练图像和5个测试图像，因此总共随机选择了200个训练图像和200个测试图像，并且两者之间没有重叠训练和测试图像）。 查看更多：http://matlab-recognition-code.com/face-recognition-based-on-wavelet-and-neural-networks-matlab-code/

储存库（v0.2.3） 一个简单而灵活的代码，用于诸如Echo State Networks（ESN）之类的储层计算架构。 ReservoirPy是一个基于Python科学模块的简单易用的库。 它提供了灵活的接口来实现高效的储层计算（RC）架构，尤其侧重于回声状态网络（ESN）。 与基本的Python实现相比，ReservoirPy的高级功能可提高简单笔记本电脑上的计算时间效率。 它的一些功能包括：脱机和在线培训，并行实现，稀疏矩阵计算，快速频谱初始化等。此外，还包括图形工具，可借助hyperopt库轻松地探索超参数。 该库适用于Python 3.6及更高版本。 官方文件 请参阅以了解有关ReservoirPy的主要功能，其API和安装过程的更多信息。 实例和教程 以获取安装，示例，教程和Jupyter Notebooks。 版本号 要启用ReservoirPy的最新功能，您米格思想

Image-to-Image Translation with Conditional Adversarial Networks论文加代码，python(tensorflow)实现和lua实现

使用神经网络和其他分类器进行环境声音分类ESC 使用音频数据集进行音频特征提取和分类 包含ECS-10音频数据。 它包含10类不同的环境声音（海浪，孩子们玩耍等） 主要目标是比较6个经过测试的分类器的分类准确性。 依存关系 带有Python 2.7的Anaconda 2。 （尚未测试Python 3.6） Librosa（音频加载，音频可视化和特征提取） 科学工具学习 Keras（Theano后端） Numpy，Matplotlib 熊猫（数据可视化） Jupyter笔记本 添加了Jupyter Notebook（Python 2.7内核）以说明工作流程。 用于特征提取和分类的脚本已作为.py文件添加，并随后全部加载到Jupyter Notebook中。 运行feature_extraction.py label.npy创建一个numpy数组（ feature.npy ），

CNNIQAplusplus 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE --model=CNNIQAplusplus 训练前， im_dir在config.yaml被指定必须的。 可视化 tensorboard --logdir=tensorboard_logs --port=6006 # in the server (host:port) ssh -p port -L 6006:localhost:6006 user@host # in your PC. See the visualization in your PC 要求 conda create -n reproducib

三水箱控制matlab代码存储库历史 回购是 . 我们选择创建一个新的 repo，因为旧的 repo 一团糟； 我们不是软件开发人员。 从此存储库运行代码时，我们建议将 MATLAB 保留在根文件夹中，以避免出现引用问题。 实验室的小图如下图所示。 存储库的内容 该 repo 包含我们论文的三个元素的代码： 1、系统标识：重力管道系统标识代码（灰框）位于同名文件夹中。 重力管道标识依赖于基于圣维南双曲偏微分方程描述的物理定律导出的模型。 用于估计 中存在的不同类型过程噪声的代码也已包含在此文件夹中。 2. 状态估计：下水道应用中的完整状态可观察性通常不可用。 因此，我们选择创建一个简单的卡尔曼滤波器，以在具有 4 个传感器的 8 管道状态模型中估计管道状态。 此代码包含在 Kalman_Filter 文件夹中。 在该文件夹中包含一个简短的演示脚本。 3.随机模型预测控制：至于控制我们使用了AAU提供的simulink框架。 许多实验代码是特定于实验室的。 这意味着如果适用于其他项目的代码是唯一感兴趣的代码，则应仅关注名为 ..._full_DW_real.m 和 ..._init_DW

辍学学生的预测 该项目的目标是确定有辍学风险的学生 介绍 从一组包含有关1000名学生的前两个学期的信息的文件中，必须将它们集成到一个文件中以进行后续分析，最后的文件必须分为三组： 100名学生进行测试 200名学生评估模型 700名学生训练模型。 学生没有被标记，因此需要对数据进行描述性分析，一旦标记了学生，就必须使用kmeans才能基于聚类分析来标记数据。 必须使用人工神经网络来训练模型，以预测哪些学生会辍学。 建立模型后，必须使用100名学生的测试数据集来了解其中哪些人会辍学，因此它将使用一种遗传算法来优化大学的资源，以便为学生提供机会，从而避免辍学。 方法 发展 变量选择和特征工程 性别：男性或女性（0或1） admision.letras ：十进制数字，代表学生在高中入学考试中的成绩。 admision.numeros ：小数，表示学生在高中入学考试中的成绩。 prom

卫星图像深度学习：通过卫星和航空影像进行深度学习的资源

Fluke Networks LinkWare PC Software 10.9福禄克导数据软件V10.9

用于识别花卉分类的AI应用程序 图像分类器使用卷积神经网络识别不同种类的花朵。 展望未来，人工智能算法将被整合到越来越多的日常应用中。 例如，您可能想在智能手机应用程序中包含图像分类器。 为此，您将使用在数十万张图像上训练的深度学习模型，作为整个应用程序体系结构的一部分。 将来，软件开发中的很大一部分将使用这些类型的模型作为应用程序的通用部分。 在这个项目中，我们将训练一个图像分类器来识别不同种类的花。 您可以想象在电话应用程序中使用类似的内容，该名称可以告诉您相机正在查看的花朵的名称。 实际上，我们将训练该分类器，然后将其导出以用于我们的应用程序。 我们将使用包含102种花卉类别的，您可以在下面看到一些示例。 我们在这里需要做的主要事情是： 加载并预处理图像数据集 在数据集上训练图像分类器 使用训练有素的分类器来预测图像内容 所有这些任务最初都在jupyter笔记本中涵盖。 除了