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

MATLAB同轴线电压代码事件识别模拟 1，所有模拟数据集均基于68总线电力系统，其模型如下：这是一个16机系统，具有86条传输线和68条总线。 数据摘自1981年7月，pp.6-42，标题为“动态系统的奇异摄动，相干性和聚集度”的GE最终报告％。％详细的发电机模型％发电机上的直流励磁机1至9％恒定电流有功负载 2，模拟了6种类型的事件，包括：线路跳闸，故障（包括线路间事件的不对称故障和三相短路事件的对称故障），负载变化，发电机跳闸，电容器组，感应电动机跳闸。 3，仿真设置：1，仿真时间步长为0.01秒但采样率为34每秒； 2，事件在0.5秒发生，故障在0.2秒后清除； 3，线路跳闸事件是指线路无故障跳闸； 4，在清除故障后，故障事件通常伴随着使线路跳闸，这与第3节所述的线路跳闸有所不同； 5，通过函数ml_sig向负载控制输入中添加突然干扰来模拟负载变化事件； 6，选择事件发生后数据矩阵的一秒来标识事件的类型，注意在清除故障后选择了故障事件的数据矩阵； 7，电容器组的模型是基于纸的[]； 8，所有电压测量值都在“ bus_v”中，并且在我们的算法中使用了其绝对值或电压幅度。 9，基于

GMM_speaker_identification 使用 GMM 分类器识别说话人

在这个模拟中，我使用递归最小二乘 (RLS) 和最小均方 (LMS) 算法实现了用于系统识别的代码。

具有模态指标的随机子空间识别，包括一致模式指标和模态参与因子。 该函数不使用系统识别工具箱函数n4sid。 示例文件用于识别受高斯白噪声激励的 2DOF 系统，并为激励和响应增加了不确定性（也是高斯白噪声）。 函数 [Result]=SSID(output,fs,ncols,nrows,cut) 输入： output：输出数据大小（输出通道数，数据数） fs：采样频率ncols：hankel矩阵的列数（大于数据数的2/3） nows：hankel矩阵中的行数（超过20*模式数） cut：截止值=2*模式数 输出： 结果：结构由以下组件组成 Parameters.NaFreq : 自然频率向量Parameters.DampRatio : 阻尼比向量Parameters.ModeShape : 模式形状矩阵 Indicators.EMAC : 扩展模态幅度相干性Indicators.M

该工具允许使用 SISO 系统的复杂频率响应函数 (FRF) 识别模态参数、特征频率、模态阻尼因子和模态残差。 该算法基于- 使用离散时间 z 模型的线性平方复频率估计器 (LSCF) - 最小二乘频域估计器 (LSFD)。 识别顺序的选择和物理极点的选择通过使用频率和阻尼收敛准则的稳定图来辅助。 然后可以自动解释稳定化图表。 该文件夹包含： - 基于具有低阻尼 (OMG.mat, FRF.mat) 或高阻尼 (OMG.mat, FRF_hd.mat) 的数值 4 自由度系统的文件示例 (file_example.m)。 -函数time2frf.m允许以.txt格式加载时间数据（时间，输入，输出），并返回复数FRF和固有频率矢量。 -函数select_frf.m允许在指定频率范围内选择FRF的一部分。 - 函数 lscf.m 在指定阶次或使用指定阶次范围内的稳定图估计特征频率

Standard Manufacturer’s Identification Code .JEP106AZ (Revision of JEP106AY, February 2019)

癫痫发作检测 该存储库包含“深度学习”项目的代码，用于识别癫痫诊断患者的异常脑电图。 参考 ChronoNet：用于异常EEG识别的深度递归神经网络 如果您发现存储库中的代码很有用，请使用以下命令将其引用： @misc{chitlangia2021epileptic, author = {Chitlangia, Sharad}, title = {Epileptic Seizure Detection using Deep Learning}, year = {2021}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/Sharad24/Epileptic-Seizure-Detection/}}, }

这是一个用于多变量子空间识别的小而强大的工具。 它实现了所谓的多变量输出错误状态空间算法。 使用嵌套函数技术分两步进行识别。 主函数返回从输入和输出数据获得的子空间的得分向量。 从得分向量中，用户可以轻松确定要识别的模型的适当顺序。 然后，通过调用同样由主函数返回的函数句柄，按照确定的顺序，获得状态空间矩阵。 包含一个示例来说明如何使用此工具。