递归辨识理论与应用

故障诊断：ICSE-2016-1-iDice-Problem-Identification-for-Emerging-Issues

使用通过时间反向传播 (BPTT) 训练的递归神经网络进行非线性系统识别

颜色识别-Cv2-Python 使用的库： 从sklearn.cluster导入KMeans导入matplotlib.pyplot作为plt从集合导入计数器导入cv2 def RGB2HEX（color）：＃将RGB代码转换为十六进制 def get_image（image_path）：＃将图像转换回RGB get_colors（get_image（'dog.jpeg'），8，True）＃函数调用=> dog.jpeg>图像名称=> 8>颜色数=>真>显示图（布尔值） ==================> def get_colors（image，colorofcolors，showchart）：

机器人识别 工业机器人的实时非线性参数识别。 代码包括用于单批次优化的度量和算法。 该贡献已提交给IROS2021。该代码具有三个入口点： MASTER_identification 根据记录的运动开始识别参数。 MASTER_create_symbolic_robot 计算机器人模型的符号解，包括惯性，重力载荷和科里奥利矩阵。 仅当更改了机器人型号时才需要。 MASTER_create_traj_for_robot 生成在目标系统上执行所需的轨迹和数据。 仅当在机器人上设计并执行新的实验外壳时才需要。 乔纳斯·韦根（Jonas Weigand） 凯撒斯劳滕工业大学研究员，机床和控制系统主任以及位于德国凯撒斯劳滕（Kaiserslautern）的德国人工智能研究中心。 2021年3月 要求 所有算法都在MATLAB中运行。 surrogateopt求解器需要MATLAB全球优化

在本文中，我们提出了一种基于概率混合模型分解的方法，该方法可以同时识别乐器类型，估计音高并将每个音高分配给包含多个音源的单声道复音音频。 在提出的系统中，将观察到的混合音符的概率密度函数（PDF）视为所有可能音符模型的加权和近似值。 这些音符模型涵盖了14种乐器及其所有可能的音高，并根据概率描述了它们的动态频率包络线。 表示特定类型乐器音高存在概率的权重系数是使用最大期望（EM）算法估算的。 权重系数用于检测源乐器的类型和音高。 涉及在指定的音高范围F3-F6（37个音高）内的14台乐器的实验结果显示出良好的辨别能力，尤其是在乐器识别和乐器音高识别方面。 对于包括音符起音检测工具的整个系统，使用四重和弦录音，乐器音高识别，乐器识别和音高估计的平均F测量值分别为55.4、62.5和86％。

稀疏信号恢复问题一直是几个不同社区中广泛研究的主题。 可伸缩恢复算法是压缩感测（CS）的一个至关重要的基本主题，最近几年引起了人们的极大兴趣。 本文首先分析了正交匹配追踪（OMP）算法中的迭代残差。 其次，引入了贪婪算法，称为贪婪OMP算法。 该算法使用贪婪原子识别迭代地识别多个原子，然后丢弃与最佳原子高度相似的一些原子。 与OMP算法相比，对高斯和零一稀疏信号进行的实验表明，提出的GOMP算法可以提供更好的恢复性能。 最后，我们通过实验研究了GOMP中贪婪常数对恢复性能的影响。

本次竞赛要解决的问题是，通过识别图片中的鲸鱼尾巴，实现对鲸鱼种类的分类，属于一个多分类问题 提供的数据集包括9850张训练图片（4251个种类）和15610张测试图片。 这是本人第一次参加的比赛，最终以0.45426的分数，排名45th/528，top9% 环境说明： tensorflow-gpu:1.4.1 keras-gpu:2.0.5 文件说明： input: notebook文件需要的输入 humpback-whale-identification-model-files: Whale Recognition Model with score 0.78563.ipynb需要的文件 train.csv: 原始训练集标注文件 train_aug.csv: Keras_lb_0.38_to_0.42_cut_aug.py使用的经过裁剪，以及数据增强后的训练集标准文

BTAS 2012 provides all interested participants dataset of eye movements' recordings in CSV format.The dataset consists of 978 samples from 37 subjects. BTAS 2012为所有感兴趣的参与者提供了CSV格式的眼部运动记录数据集。数据集由来自37名受试者的978个样本组成。 rf_benchmark.csv svm_benchmark.csv uniform_benchmark.csv test.csv train.csv

基于matlab的表情识别代码从面部表情识别情绪 目录 介绍 在实施和测试基本机器学习技术方面的动手经验。 将要检查的技术是决策树（DT）和人工神经网络（ANN）。 这些技术中的每一种都将用于基于一组标记的面部动作单元（AU）从人的面部表情中识别出六种基本情绪（愤怒，厌恶，恐惧，幸福，悲伤和惊奇）。 后者对应于人类面部肌肉的收缩，这是每一个面部表情的基础，包括六种基本情感的面部表情。 前述技术的实施需要对这些技术的理解。 面部动作编码系统和基本情绪 在计算机科学研究中，当今时代的一大挑战是对人类面部表情的自动识别。 能够执行此任务的机器在行为科学，安全性，医学，游戏和人机交互（HMI）等领域具有许多应用。 众多认知科学家已经证明了面部表情在人际交流中的重要性。 例如，我们使用面部表情来同步对话，显示我们的感受并表示同意，否定，理解或困惑，仅举几例。 因为人与人之间的交流比人与机器之间的交流更为自然，所以设计能够模拟人与人之间的交互以实现人与机器之间相同自然交互的机器是逻辑上的一步。 为此，机器应该能够检测并理解我们的面部表情，因为它们是人与人之间交流的重要组成部分。 流式细胞仪 传统上