这是一个实现简单，准确率较高的方法。
一、本方法基于颜色特征实现车牌定位。
在HSI空间实现蓝色查找，思路来自博客园 silenceer 的博客《车牌识别LPR（五）-- 一种车牌定位法》[1]。
通过对疑似区域求外接矩形判断车牌区域，思路来自博客园 计算机的潜意识 的博客 《EasyPR--开发详解（4）》[2]。
二、通过垂直投影和连通域分析实现字符分割。
三、通过3层神经网络实现字符识别。
参考 Andrew Ng 在 coursera 上的机器学习课程[3]。
2023-05-08 20:46:36
5.53MB
1
代码附数据集加载方式，文档包括案例完整流程：DNN/CNN结构设计、模型参数保存、断点续训、acc/loss可视化过程，最好一次epoch的模型参数保存。
2023-05-05 21:28:04
3.68MB
1
通过本次实验，我们进一步监督学习的基本知识，重点理解决策树的常见算法和改进策略，掌握决策树的基本实现方法，考虑决策树的实现细节，实现了基本的决策树模型并使用汽车模型和蘑菇模型对模型进行测试和可视化，测试效果较好。
2023-04-30 21:03:07
1.85MB
1
内容：本资源是基于肌电信号去进行分类的，通过对采集的肌电信号进行特征抽取，然后进行分类。
特征抽取方法:主成分分析法，支持向量机递归消除法，相关性热力图法
分类算法：KNN,SVM,随机森林
2023-04-28 14:35:33
14.8MB
1
实验报告：https://blog.csdn.net/Amzmks/article/details/128583508
探讨了某个国家或地区电影上座人数与电影的时长、荧幕数量、分级、题材、演员和导演等指标的关系，使用Python编程语言，利用随机森林回归预测的方法分析了影响电影卖座程度的因素，预测效果较好，拟合较为准确。 jupyter notebook numpy pandas matplotlib 数据分析 数据挖掘
2023-04-28 10:59:13
212KB
1
近年来，恶意软件呈现出爆发式增长势头，新型恶意样本携带变异性和多态性，通过多态、加壳、混淆等方式规避传统恶意代码检测方法。基于大规模恶意样本，设计了一种安全、高效的恶意软件分类的方法，通过提取可执行文件字节视图、汇编视图、PE 视图3个方面的静态特征，并利用特征融合和分类器集成学习2种方式，提高模型的泛化能力，实现了特征与分类器之间的互补，实验证明，在样本上取得了稳定的F1-score（93.56%）。
2023-04-26 04:39:57
529KB
1