中文 | Chinese-number-gestures-recognition Chinese number gestures recognition app（数字手势识别APP，识别0-10） 基于卷积神经网络的数字手势识别APP（安卓） 1、项目简介 这是一个基于卷积神经网络的数字手势识别APP（安卓），主要功能为：通过手机摄像头识别做出的数字手势，能够识别数字0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 对应的手势。 Chinese-number-gestures-recognition项目下包含两块代码：1. DigitalGestureRecognition为安卓APP代码；2. digital_gesture_recognition为PC端处理数据及训练模型代码，编程语言为python。 开发环境： PC端：python3.6, TensorFlow-gp

单层感知器神经网络matlab代码基于运动图像的单通道脑电分类 Global SIP 2018接受的论文中描述了此代码。 <概述> 该存储库中的Matlab脚本确定了通道，特征和分类器的最佳组合，可最大程度地提高基于单通道EEG的运动图像BCI的分类精度。 频道：22 ch 特征： 功率谱（PS） 灰度共生矩阵（GLCM） 单通道公共空间模式（SCCSP） 分类器： 线性判别分析（LDA） k最近邻居（k-NN） 高斯混合模型（GMM） 随机森林（RF） 多层感知器（MLP） 支持向量机（SVM） 带有PS的SVM和带有SCCSP的MLP在二进制分类中显示一位受试者的分类准确度为86.6％ （平均值：63.5％）。 为了进行评估，我们使用了开放访问数据集。 在使用我们的代码之前，请发送以访问数据。 <代码> 该存储库有一个主要的m.file，该文件由预处理和后处理步骤组成。 在通过预处理步骤保存特征向量之后，可以使用10倍交叉验证来计算分类精度。 另外，您可以通过更改set_config.m文件中的值来更改此框架中的每个参数。 <环境> 马尔巴布R2017a 信号处理工具箱 静力学和机

GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence 代码解读   论文原文地址:GMS: Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence 代码地址:github   1 论文核心思路  论文认为:匹配对应该是平滑的,对于true match pair(l1,r1),l1附近的特征点对应的匹配点也应该在r1附近.  ① 利用上面的平滑性质,建立统计分析模型(二项分布),过滤ORB mat

使用 Total Vairation 正则化进行图像去模糊。

BezierCurvePathCreater 用于创建贝塞尔曲线路径，可匀速运动 - Used to create a Bezier curve path with uniform motion 更新日志： 2020.2.7： 新添加三阶贝塞尔曲线 平滑度自定义 该工程基于cocos creator 2.2.2版本! (可以直接在上面规划好后导出json文件) 下面来简单演示一下该工程： 目前支持二阶和三阶贝塞尔曲线绘制、匀速运动、导出路径的JSON数据， 在项目中可以直接读取json文件，里面存储了许多连续的曲线点，直接拿来用即可。 可以根据不同的需求来达到想要的效果。 匀速运动实现思路很简单，其实就是利用了微积分思想，把曲线分割成许多份，每一份此时就可以看作直线运动了！ 需要注意的是，该项目分辨率是1920*1080的，在不同的项目中使用可能需要转换下坐标！ 导出的json数据格式如下

基于模糊逻辑的光伏发电系统

文字世界 基于文本的游戏生成器和可扩展的沙箱学习环境，用于培训和测试强化学习（RL）代理。 另请访问以获取有关TextWorld及其创建者的更多信息。 对TextWorld有疑问或反馈吗？ 将它们发送到或使用上面列出的Gitter频道。 安装 TextWorld需要Python 3，并且目前仅支持Linux和macOS系统。 对于Windows用户，可以将docker用作解决方法（请参阅下面的Docker部分）。 要求 TextWorld的本地组件需要一些系统库。 在基于Debian / Ubuntu的系统上，可以使用以下命令安装它们 sudo apt update && sudo apt install build-essential libffi-dev python3-dev curl git 在macOS上， brew install libffi curl git 注意：我们

shape_based_matching 更新： ，0.1-0.5度精度，<0.1度精度，处理比例误差 尝试实现基于halcon形状的匹配，请参考halcon工程师编写的机器视觉算法和应用程序，第317 3.11.5页我们发现基于形状的匹配与linemod相同。 halcon匹配解决方案指南，用于选择匹配方法（ ）： 脚步 将test.cpp第9行的前缀更改为顶级文件夹 在cmakeList第23行中，将/ opt / ros / kinetic更改为可以找到opencv3的位置（如果在默认环境中安装了opencv3，则无需这样做） cmake制作并运行。 要了解用法，请参阅test.cpp中的其他测试。 特别是，scale_test已被完全注释。 注意：在Windows上，已确认Visual Studio 17可以正常工作，但是vs13中的MIPP存在一些问题。 您可能需要

人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces

matlab信任模型代码此仓库的目的主要是托管此代码，这是我的毕业报告的一部分。 因此，对于那些试图理解其背后要点的人来说，这可能是不完整的。 如果您对浸油绝缘，电源变压器，分散控制感兴趣，请随时与我联系。 基于模型的优化框架在电力网络中的应用 在过去的几十年中，电力网络的先进老化，可再生能源利用的必然增加以及功耗的不断增加，要求改变当前的电力网络范式。 电气世界的利益相关者必须顺应形势，并提出更好地利用现有网络资源和新网络资源的方法。 持续的金融危机也使人们对新概念和明智机会大开眼界。 该项目的方法是在现有电力网络物理层之上创建一个现代化的自动化层，该层利用几种物理模型来解释网络组件当前和未来的预期健康状况。 借助此自动化层，网络运营商可以将网络配置为一个自我维持的系统，或者至少是更独立的，更具洞察力的系统。 网络健康状态的实时和预测可以用作潮流优化因素。 基于实际潮流数据的仿真表明，将热负荷分布在整个相邻的功率组件中会提高资源利用率，因为它降低了整个网络的加速老化因子，同时又将潮流特性保持在法定的完整性范围内。 已经表明，通过将此健康状况预测框架应用于IEEE-14总线网络并允许该