WildWav-鸟声识别器 有没有听说过在野外或周围有不同的鸟叫声，并且想知道那是哪只鸟？ WildWav的开发正是为了识别我们虚弱的朋友！ WildWav是一个Web应用程序，它使用用户捕获的音频记录来分析鸟的声音（或浏览WAV文件）以预测鸟的类型。 简介：Bird Sound Identifier是我与朋友共同开发的一个个人项目，旨在探索机器学习的可能性。 另外，通过在Heroku服务器上部署模型，使想法变为现实并确保每个人都可以使用它。 对于此项目，我们使用Flask API创建应用程序，并使用Python进行建模。 Vaish使用HTML进行了所有的网页设计。 该应用程序使用了我们在找到的recorder.js javascript文件。 功能：Web应用程序具有一个带有两个选项的界面： 使用设备的麦克风记录以捕获鸟的声音，或者 浏览文件选项以选择WAV格式的音频文件。

数字音频接 口成为发展的潮流，采用脉冲密度调制（ PDM）接口的 ECM 和 MEMS 数字麦克风也 孕育而生

摄像机小孔成像简化模型： 按小孔成像的比例关系有：

模糊模式识别的应用，齐微，韩冰，本文先初步介绍了模糊数学中的模式识别的一些基本知识，其中包括模糊模式识别的原则，模糊模式识别的主要方法。其中，模糊模式识

基于Kinect的姿势识别与应用研究介绍了姿势识别的基本内容和应用。

在我之前的项目中，我展示了如何使用Arduino开发板和BitVoicer服务器控制几个LED 。在这个项目中，我将使事情变得更加复杂。我还将使用Arduino DUE数模转换器（DAC）合成语音。如果您没有Arduino DUE，则可以使用其他Arduino板，但是您将需要一个外部DAC和一些其他代码来操作DAC（BVSSpeaker库将无法帮助您）。 在下面的视频中，您可以看到我还让Arduino播放了一首歌曲，并使LED闪烁，就像它们是钢琴键一样。对不起，我的钢琴技巧，但这是我能做到的最好的:)。LED实际上以与真实C，D和E键相同的顺序和时序闪烁，因此，如果您周围有钢琴，则可以跟随LED并播放同一首歌曲。这是一个不再存在的老零售商（Mappin）的叮当声。 将执行以下过程将语音命令转换为LED活动和合成语音: 1. Sparkfun Electret Breakout板将捕获并放大音频波； 2.放大后的信号将通过Arduino的模数转换器（ADC）进行数字化和缓冲； 3.音频样本将使用Arduino串行端口传输到BitVoicer服务器； 4. BitVoicer服务器将处理音频流并识别其包含的语音； 5.识别的语音将映射到预定义的命令，这些命令将发送回Arduino。如果其中一个命令用于合成语音，则BitVoicer Server将准备音频流并将其发送到Arduino； 6. Arduino将识别命令并执行适当的操作。如果接收到音频流，它将被排队到BVSSpeaker类中，并使用DUE DAC和DMA播放。 7. SparkFun单声道音频放大器会放大DAC信号，因此可以驱动8欧姆扬声器。 第一步是将Arduino和面包板与组件连接，如下图所示。我必须在扬声器下方放置一个小的橡胶垫，因为它会振动很多，而没有橡胶垫的话，音频质量会受到很大影响。 在这里，与我以前的项目相比，有一个小但重要的区别。大多数Arduino板均以5V运行，但DUE以3.3V运行。因为在3.3V下运行Sparkfun驻极体突破效果更好，所以如果您使用5V Arduino板，建议您在3.3V引脚和AREF引脚之间添加一个跳线。DUE已经使用了3.3V模拟基准，因此您不需要AREF引脚的跳线。实际上，DUE上的AREF引脚通过电阻桥连接到微控制器。要使用AREF引脚，必须从PCB上拆下电阻器BR1。

建筑物轮廓自动提取 图像预处理 中值滤波算法：一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。 候选边缘生成 边缘线段检测、建筑物主方向确定、线段方向调整、线段合并与删除等几个子步骤。 线段检测：LSD Ref: V. GioiL,et al.LSD: A Fast Line Segment Detector with a False Detection Control.IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE,2010,32(4):722-732.

企业单位没有门禁管理系统，外来人员较多，经常出现财物丢失的情况？现有的刷卡门禁，但员工常忘记带卡，不方便，常常遗失卡，具有安全隐患？指纹识别门禁，总有5%人群不能正确识别，长时间共同接触设备，不卫生？ ——人脸识别门禁解决方案，助你解决以上问题。

开发环境：Python3.6.5、keras2.2.4、tensorflow1.12、django等 系统应用：本部分在训练完植物叶片病害识别的模型参数后，将植物叶片病害识别的模型部署到Web中，前端负责获取用户在页面上传的图像并预处理，再向服务器发出AJAX请求，请求内容为待识别的图像。服务器端程序生成TF会话并加载训练好的模型，调用相应的视图函数将请求数据送入TF会话中计算，最后将识别结果异步回传到前端。

Matlab应用小波神经网络WNN对模式识别处理-应用小波神经网络（WNN）对模式识别处理.rar 应用小波神经网络（WNN）对模式识别处理