课程作业_Python+OpenCV实现车道线检测源码+项目说明.7z 【图像处理】 图像处理主要是先对图像进行灰度处理，高斯模糊，然后对其进行canny边缘检测，最后对得到的图像进行roi掩膜处理，进一步缩小范围。 【霍夫变换】 霍夫变换(Hough)是一个检测间断点边界形状的方法。它通过将图像坐标空间变换到参数空间，来实现直线与曲线的拟合。 在图像坐标空间中，经过点的直线表示为： (1) 其中，参数a为斜率，b为截矩。其中，参数a为斜率，b为截矩。 通过点 点的直线有无数条，且对应于不同的a和b值。 如果将和视为常数，而将原本的参数a和b看作变量，则式子(1)可以表示为： (2) 这样就变换到了参数平面a−b。这个变换就是直角坐标中对于点的Hough变换。 离群变换和最小二乘拟合 视频流的读写等等，更多详细说明介绍看项目说明。

python实现基于区域二元线性回归模型进行图像恢复源码+项目说明（人工智能期末作业）.7z 图像恢复 实验要求： 生成受损图像，函数接口 noise_mask_image 受损图像是由原始图像添加了不同噪声遮罩（noise masks）得到的 噪声遮罩仅包含 {0,1} 值。对原图的噪声遮罩的可以每行分别用 0.8/0.4/0.6 的噪声比率产生的，即噪声遮罩每个通道每行 80%/40%/60% 的像素值为 0，其他为 1。 使用区域二元线性回归模型，进行图像恢复。 评估误差为所有恢复图像与原始图像的 2-范数之和，此误差越小越好。 Result： 使用线性模型以 10 x 10 的区域为单位，进行像素预测，直到完成整张图片的像素预测，完成图像恢复

SJTU数字图像处理课设_传统图像处理结合yolov5算法实现电车轨道ROI区域标注及障碍物检测项目源码+项目说明.7z 【SJTU数字图像处理课程设计】 采用传统的数字图像处理方法（边缘检测，透射变换，霍夫变换等）对视频中的电车轨道进行检测和标注，并标注轨道所处的ROI区域，基于此ROI区域使用当下较为流行的YOLOv5目标检测深度学习算法进行区域内的障碍物识别与检测并将其标注。算法最终效果较好，可准确的检测两种环境（白天和夜晚）下的电车轨道并对轨道附近障碍物进行识别。算法识别效率为17FPS，效果较好。 主要任务为完成有轨电车轨道与轨道上障碍物的检测

毕设新项目 基于SVM和LSTM实现的购物平台商品评论情感对比分析毕设源码+数据集+模型+项目说明.7z 【项目介绍】 使用Selenium模拟真实登录行为，并爬取数据 数据清理 将词汇向量化 使用jieba精确模式进行分词，构造词典 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比。 【备注】主要针对正在做毕设的同学和需要项目实战的机器学习、深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

基于机器学习GRU_CNN_KNN_SVM_RF5种实现的web攻击检测系统项目源码+数据集+模型+项目说明.7z 基于聚类的XSS和SQL注入检测 基于机器学习的XSS和SQL注入检测 现了基于GRU，CNN，KNN，SVM，RF共五个检测模型 检测过程：数据加载-》数据预处理(urldecode和转小写)->向量化（预训练word2Vec模型，padding补齐）->模型训练->模型预测->模型评估

基于机器学习的多因子研究框架源码+项目说明.7z

基于机器学习的发债主体违约风险预测项目源码+项目说明.7z 【项目介绍】 该项目以发债企业作为研究对象，利用财务逻辑和技术手段对178个原始特征指标进行有效筛选，构建了基于多种机器学习算法的模型，对比后挑选LightGBM模型作为最终模型进行更精细化训练，最终模型关键预测指标均有比较好的效果。 Jupyter Notebook代码 【使用说明】 BondDefault文件为项目代码 基于机器学习的发债主体违约风险预测.pptx为ppt形式的项目展示

基于机器学习实现发电厂辅机故障预警系统源码+项目说明.7z 针对电厂辅机故障率高，传统的基于机理的模型预警不及时，经常误诊的问题，设计了基于机器学习的新型故障预警模型 面对三种不同的使用场景，分别设计了基于聚类和关联规则的预警模型、基于随机森林的预警模型、与基于多元高斯分布和人 工神经网络的预警模型 使用某电厂一次风机的实际数据进行验证，所设计的三种预警模型能够提前约60min发出预警，给电厂运行人员提供指导 除了以上的算法，还使用一分类、支持向量机、XGBoost算法等对数据进行了处理

基于开源URL数据字符串特征的恶意性检测项目源码+数据集+模型+项目说明.7z 从kdnuggets上收集到了带标签（good/bad）的URL数据集，共416350条，其中异常数据（bad）71556条，占比17.19%； 正常数据（good）344794条，占比82.81%。 将全体数据划分为训练集（70%），验证集（15%）和测试集（15%），并且在每个集合中均保持异常数据所占比例相同。 分类器模型 准确度（%） 精确度（%） 召回率（%） 贝叶斯 85.88 60.82 50.25 AdaBoost 92.84 86.05 69.65 随机森林 97.13 95.9 87.05 决策树 94.63 83.9 85.11 逻辑回归 90.86 83.29 58.58 梯度提升树 96.35 93.7 84.45 基于投票的分类器 97.1 92.51 90.48

一个基于机器学习的新闻标题分类系统源码+数据集+训练好的模型+项目操作说明_本科毕设项目.7z bert_base中文预训练模型训练NLPCC2017 Task2新闻标题分类数据集的句向量 【环境配置要求】 Python：3.8.13 操作系统：Windows 数据库：MySQL Web框架：Flask 模型训练：sklearn 1.Anaconda创建虚拟环境 conda create -n Graduation python=3.8 命令行切换到对应目录 2.安装第三方库 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple 3.将数据导入数据库 mysql -u root -p --local-infile=1 < D:\Bachelor_Graduation\Bachelor_Graduation.sql 【备注】主要针对正在做毕设的同学和需要项目实战的机器学习、深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。