利用组合惯导的gps信息及四元素来拼接雷达获取的点云，利用四元数求旋转矩阵，利用gps获取经纬坐标，并将其投影到墨卡托坐标系中计算平移，提高点云拼接的精度，供大家参考！

现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx现代机器学习 基于深度学习的图像特征提取.docx

【目的】采用机器视觉技术对新疆冰糖心红富士苹果进行重量、糖度预测和分级。【方法】分析提取苹果RGB图像中单色、波长差、HSV转换后分量等多类型图像,对比图像分割效果确定后续处理图像。采用形态学处理剔除二值化图像果梗区域,提取目标区域几何、灰度和色调频度等特征。采用多元线性和偏最小二乘回归预测苹果重量和糖度,判别分析分类苹果,结合全组合实验方法和特征优选,获得较佳特征集合。【结果】多元线性回归方法建立苹果糖度的预测模型结果最佳,使用几何和灰度的特征集合,建模集和验证集糖度预测相关系数分别为0.623和0.570;使用面积、周长、长轴长度和短轴长度特征集和,或体积、周长、长轴长度和短轴长度四个特征...

基于支持向量机的数据分类（libsvm）内含matlab完整版代码

svm支持向量机python代码 机器学习语义分割-随机森林，支持向量机，GBC Machine learning semantic segmentation - Random Forest, SVM, GBC.zip

Baumer堡盟工业相机使用Baumer相机软件Camera Explorer软件进行连接相机的相关设置； 适用于Windows和Linux系统； 本资源包括包括Windows系统下x64版本；

百度飞桨学习python机器学习、深度学习资料 【机器学习】GRU：实践-情感分类的另一种方法 【机器学习】LSTM：实践-谣言检测 【机器学习】python复杂操作：实践-爬虫与数据分析 【机器学习】ResNet-50原理：实践-CIFAR10数据集分类 【机器学习】VGGNet原理：实践-中草药分类 【机器学习】Word2Vec实现：实践-基于CBOW和Skip-gram实现Word2Vec 【机器学习】飞桨高层API的实践 【计算机视觉】1.实践：飞浆与python入门操作 【计算机视觉】2.实践：python复杂操作 【计算机视觉】3.理论：计算机视觉概述 【计算机视觉】4.实践：基于深度神经网络的宝石分类 【计算机视觉】5.实践：基于卷积神经网络的美食识别 【计算机视觉】6.实践：基于VGG-16 的中草药识别 等等

这是一个实现简单，准确率较高的方法。 本文主要通过以下几个方面进行介绍： 数据预处理 特征提取 模型训练与测试 模型优化 本案例是通过SVM分类器对样本进行训练与测试，达到识别车牌字母、数字及汉字的目的。关于SVM的原理这里就不多赘述了，想了解的同学可以看下陈老师的SVM讲解，写的细致且易懂。 耳东陈：零基础学SVM—Support Vector Machine(一) 数据集是已经分割好的车牌字符，共有1000张车牌字符图片，大小均为47*92，两个txt文本文件分别包含所有字符和需要手工校正的字符图片的名字及对应的类别。

手写数字0到9字符集，用于机器学习训练样本，样本丰富，亲测可用

1.数据清洗 2.聚类 3.逻辑回归 4.PCA降维 5.SVM支持向量机 这份压缩包涵盖了多个数据科学和机器学习领域的关键工具和技术，为数据分析和建模提供了强大的支持。在这个信息的宇宙中，我们可以发现一系列的宝藏，包括数据清洗的魔法、聚类的智慧、逻辑回归的推理、PCA降维的神秘和SVM支持向量机的力量。 首先，数据清洗是这份宝藏中的第一个星辰。它是数据科学的入口，通过神奇的数据处理手段，可以发掘、纠正和去除数据中的不准确、不完整或无效的信息。在这个压缩包中，数据清洗的魔法涵盖了各种情况，如处理缺失值、消除重复记录、格式规范化等。这个工具让数据焕发新生，为后续的分析和建模创造了纯净的舞台。 其次，聚类是这份宝藏的璀璨明珠。在这个信息宇宙中，聚类技术能够将数据分组，找到其中的潜在模式和相似性。它是数据中的探险者，帮助我们在海量信息中发现隐藏的结构和规律。在压缩包中，聚类技术为我们提供了一把探索数据空间的钥匙，使我们能够更好地理解数据的本质。 第三颗星星是逻辑回归的推理之星。在这个宇宙中，逻辑回归是一种强大的预测工具，通过对已知数据进行分析，预测未知数据的可能性。这个工具为我们揭示了