针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

图像相似度 使用几种技术的Python图像相似度比较 要求： sudo apt-get install -y python-pip sudo pip install PIL numpy 用法 将脚本保存到与主脚本相同的文件夹中 从脚本导入功能 from image_similarity import similarity_bands_via_numpy from image_similarity import similarity_histogram_via_pil from image_similarity import similarity_vectors_via_numpy from image_similarity import similarity_greyscale_hash_code 从主脚本调用功能 similarity_bands_via_numpy, sim

调整后的锚定邻域回归（A +）方法是用于单幅图像超分辨率的最新方法之一。 A +方法的一个重要的隐含假设是，与相似的低分辨率（LR）图像块相对应的高分辨率（HR）图像块也必须相似。 因此，HR补丁空间和LR补丁空间中的邻域回归可以共享相同的代表系数。 但是，由于超分辨率问题的不适性，该假设通常是无效的，并且非相似的HR样本色块通常共享较大的代表系数。 为了解决这个问题，我们建议通过将高分辨率的基于相似度的调整权重引入HR表示系数来改进A +方法，以减少这些非相似HR样本补丁的影响。 在超分辨率处理之前，这些调整权重以低的计算成本被合并到投影矩阵中。 数值结果表明，该方法能够以较低的计算成本有效地提高A +方法的性能。

客户聊天机器人 中文智能客服机器人demo，包含闲聊和专业问答2个部分，支持自定义组件 中国智能客户聊天机器人演示，包括八卦和专业问答（FAQ），支持自定义组件！ 介绍 一，本项目由两个部分组成，一是基于tf-idf检索的召回模型，二是基于CNN的精排模型，本项目将相互融合，构造召回+排序的客服聊天机器人。系统支持闲聊模式和该版本为第一版本，速度等其他性能还有待提升，这些工作会在后期陆续上传。根据当前和常见问题解答模式，采取的数据分别为小黄鸡闲聊数据集和垂直领域的常见问题问答数据集。的反馈，系统的难点在于内置一个精度高且耗时短的rerank模型，如果要在工业上使用，需要大改；如果是想要熟悉的问

图像相似度计算器API。 该项目是一个单瓶烧瓶应用程序，可读取本地图像或在线图像（URL），进行身份验证并计算百分比比例的相似度（同一图像为100％）。 先决条件 烧瓶 的OpenCVPython的 scikit图像 麻木 文件夹树 Preview.gif-显示图像输出的结果的gif。 README.md ---解释项目的解决方法的文件 requirements.txt-包含项目所需的依赖项 script.py ---包含包含api身份验证，ssl处理和相似性计算器的脚本 入门 从git克隆项目（git clone ） 转到“图像相似度”目录。 运行pip install -r requirements.txt以下载依赖项。 运行python script.py以启动 开启[http：// localhost：5000] 贡献 进行更改，然后他们发出拉动请求 最近更新时间 20

chatbot_by_similarity 根据文本相似度实现问答的聊天机器人（弱智版） 项目介绍 这是根据工作需求写的一个简易版本的聊天机器人，主要目的是根据问题从知识库中匹配相应的答案，从而帮助使用者去更方便的查询到一些知识性内容。 模块简介 用法比较简单，给文本列表，经过训练后去匹配问题返回相似的答案。 结构及用法 模块由五个部分构成：测试数据、预处理分词、计算词向量、计算相似度和聊天机器人 文本的预处理(cut_text.py)： 提供知识库的word文档数据和小黄鸡聊天记录 from chatbot import load_data # word数据 texts = load_data(type='knowledge') # 小黄鸡数据 texts = load_data(type='chat') 文本的预处理(cut_text.py)： 用于分词、剔除停用词(这里偷懒直接把长度

功能描述 基于siamese-lstm的中文句子相似度计算 环境搭建 Ubuntu：16.04（64bit） Anaconda：2-4.4.0（python 2.7） 历史版本下载： TensorFlow：1.5.1 numpy：1.14.3 gensim：3.4.0 (nltk：3.2.3) jieba：0.39 word2wec中文训练模型 参考链接： 代码使用 模型训练 # python train.py 模型评估 # python eval.py 论文参考 代码参考 版本：a61f07f6bef76665f8ba2df12f34b25380016613 AETC2018赛题描述 相关链接：

同义词词林扩展版与知网（Hownet）的词语相似度计算方法，词汇覆盖更多、结果更准确。

kNN(k-nearest neighbors algorithm) 此专案以新闻分类进行kNN范例之实作 kNN Introduction: 最近鄰居法（KNN演算法，又譯K-近鄰演算法）是一種用於分類和回歸的無母數統計方法，KNN常用來做資料分類。 KNN是一種監督式學習(Supervised Learning)，監督式學習需透過資料訓練出一個model，但KNN沒有做training的動作。 K為使用者自己定義的常數，KNN就是選擇離自己最近的K的鄰居(Data)，之後觀察哪一種類別(Tag)的鄰居最多就將自己也當成該類別。 Input: 测试文章: 1.使用ETtoday新聞作為訓練集分類。 2.使用Jieba作為分詞，取出Top 100 Words 作為每篇文章的關鍵詞。 3.取出k=3個最近鄰居作為分類依據，此外對最近的第一個鄰居作為加權*2 Output:

posenet-similarity 基于PoseNet算法识别两张图片中的姿势相似度