数据结构与算法课程设计报告-重言式判别.doc

MATLAB疲劳检测（眼部疲劳，人脸分割，人眼定位，开闭度检测，疲劳判别，可做眼睛+嘴巴+点头率综合检测版本）

煤层开采覆岩硬层位置判别小程序，能计算出硬层，及可能的关键层在哪儿，还没有用长度来判断哪层是关键层，自己稍微算一下就可以了。32位的系统有时候打不开，不知道怎么回事。这个不用安装，直接用就行

此函数计算特征的 Fisher 分数或判别系数。 它可以用于两类特征选择场景。

提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像，选择最低分辨率的子段，既能捕获到人脸的实质特征，又有效地降低了计算复杂性；非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征；Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明，这种方法对光照变化、人脸表情和部分遮挡不敏感，具有良好的健壮性和较高的识别效率。

【目的】采用机器视觉技术，针对新疆无核白和红提单粒葡萄的质量和果径大小进行预测和分级研究。【方法】在不同的颜色特征空间模型，预处理原始图像，采用最大类间方差法分割目标区域；采用数学形态学方法去除二值图像中部分果梗及噪声点，获得最佳二值图像；基于二值图像，分析获取单粒葡萄的几何特征；最后，分别采用一元线性回归法和偏最小二乘回归法预测单粒葡萄的质量和果径，采用二次判别分析法对单粒葡萄的质量和果径进行分级。【结果】利用短轴与果形指数特征相结合建立的偏最小二乘回归模型可有效预测单粒葡萄的质量和果径，预测决定系数达到0.98和0.945；基于该特征组合的二次判别分析法可用于单粒葡萄的质量和果径分级，准确率超过85%。【结论】机器视觉技术能够较准确预测单粒葡萄的质量和果径，并能对质量和果径进行分级。

autoencoder matlab代码 DLAAE 《Discriminative Latent Attribute Autoencoder for Zero-Shot Learning》CCIS2018。论文代码很大程度参考和。 Dateset AwA() Requirements Matlab==2017a Usage Download the initial mat from , and then put it in ./datasets/ Download the vgg feature of AwA and put those in ./datasets/AwA/. Then datasets will be like this: datasets │ initial_awa_ADS.mat │ └─AwA feat-imagenet-vgg-verydeep-19.mat predicateMatrixContinuous.mat trainTestSplit.mat run main.m Description 读取数据 归一化 PCA降维 初始化 计算相似性空间 计算

实现判别别分析的源程序 （Matlab）

作为智能配电网的重要设备之一，电力变压器运行状态的准确判别和预警有重要意义。全面分析电力变压器状态量，建立由油色谱、电气试验、绝缘油试验、附件运行状况4个一级指标和18个二级指标组成的电力变压器状态评价指标体系。建立基于模糊综合评价和贝叶斯判别的电力变压器状态判别和预警模型。实例证明该模型能准确高效地判别变压器的工作状态并提出相应的预警和检修计划。

关键层判别软件与实例