蚂蚁蜜蜂数据集，可以做二分类任务

基于MATLAB的SVM分类器，运用高斯核函数，进行非线性的运算，对于分类和拟合有较好的效果。对于分类结果，有直观的图标进行介绍。

常 住 人 口 管 理 信 息 数据交换格式，采 用 GA 324.6

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征，分析了特征的优缺点。结合分类学习算法、仿真实验结果，对已有的主要特征选择和分析方法进行比对，为进一步研究特征提取、特征选择方法，提高垃圾图像分类器的性能和效率提供有价值的参考。

实现朴素贝叶斯分类器算法基本功能，代码有注释，还包括一个垃圾邮件过滤的实例。另外我这次用的是python2.7版，如果用python3的可能需要根据提示修改几个语法（sorted函数的参数）。

YOLO-V5在合作研究中对肺炎图像进行定位和分类 使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类 该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像 用于此模型的数据来自以下链接（ ） Yolo_v5_Data_Preparation.ipynb-该文件包含所有必要步骤，可将我们的数据集转换为适合YOLO-V5实施的格式 我们必须克隆YOLO-V5的git存储库 YOLO_V5_Training.ipynb-此文件包含在图像上运行YOLO-V5训练所必须执行的操作和步骤 最后，YOLO_V5_Inference.ipynb-在这里，我们根据训练中保存的权重预测并验证模型结果 将来，我计划使用YOLO-V5添加印度卢比检测和分类

包括可编辑WORD、彩色有字、彩色无字、黑白无字版本，下载后可编辑或直接A3-A4打印使用。

这个文件包括源代码及相应使用文档，对于学习SVM很有帮助！

传统的卷积神经网络（CNN）是单任务网络，为实现带式输送机输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。为降低网络结构的复杂性，提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数。在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建了MT-CNN；对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后，获取训练数据集和测试数据集，并对MT-CNN进行训练；使用训练好的MT-CNN对输送带图像进行识别分类，实现输煤量和跑偏的准确、快速检测。实验结果表明，训练后的MT-CNN在测试数据集中检测准确率为97.3%，平均处理每张图像的时间约为23.1 ms。通过现场实际运行验证了该方法的有效性。

针对卫星通信中辐射源信号分类识别问题，开展基于双谱二次特征的卫星通信信号分类识别算法研究。通过辐射源信号的对角切片双谱获取信号特征，利用Chirp-Z变换将双谱对角切片特征从频域扩展至复平面，并提出扩展的基于巴氏（Bhattacharyya）距离的分离度准则作为信号双谱二次特征提取依据，提取出具有最强可分离度特征作为特征参数，并通过支持向量机进行分类识别仿真实验。实验表明，该识别算法适用于不同类型的卫星通信信号，且对噪声变化不敏感，可实现较高的正确识别率。