短时强降水、大风等强对流夭气危害巨大，对其进行自动识别存在相当大的技术困难。提岀一种基于深度神经网络的强对流夭气智能识别模型，以雷达回波图像和表征囯波移动路径的光流图像作为输λ，通过神经网络的自学习，寻求雷达图像与¨是否发生强对流天气”之间的函教映射关系;并运用数据集増强、代价函教优化和模型泛化性能优化等技术，解决了训练样本的不均衡问题，避免了模型训练过程陷λ局部极值的问题。实验结果表眀，该方法对强对流夭气识别的准确率达到96%，误报率低于60%。该方法也适用于对下击暴流等灾害性天气的自动识别。

Opencv项目中人脸识别模型文件

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见-近红外光谱特征波长的新方法(SA-LS-SVM)。该方法用LS-SVM作为识别器, 用识别率作为SA的目标函数, 提取合适的特征波长数以及对应的特征波长。3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA-LS-SVM, 主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理, 提取特征波长或主成分, 然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测。结果发现, SA-LS-SVM只需从751个数据光谱中提取4个特征波长, 就可以使三种品牌润滑油的识别率达到了100%, 而其他所有的方法发现预测率都达不到100%, 由此验证了SA-LS-SVM的优越性。实验结果表明, SA-LS-SVM不仅能有效地减少建模的变量数, 而且可以提高预测精度。

基于Pytorch实现的EcapaTdnn声纹识别大模型（spectrogram），这个模型使用的声谱图（spectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch

人工智能-机器学习-扁形茶外形指标分析软件设计及大佛龙井外形品质识别模型构建.pdf

构建一种基于发音特征的音视频双流动态贝叶斯网络(DBN)语音识别模型(AF_AV_DBN)，定义节点的条件概率关系，使发音特征状态的变化可以异步。在音视频语音数据库上的语音识别实验表明，通过调整发音特征之间的异步约束，AF_AV_DBN 模型能得到比基于状态的同步和异步DBN 模型以及音频单流模型更高的识别率，对噪声也具有较好的鲁棒性。

车型识别模型结果，包含训练结果、top1、top5的统计图、迁移后的模型结果(可直接用于mobile端)

基于Pytorch实现的EcapaTdnn声纹识别大模型（melspectrogram），这个模型使用的梅尔谱图（melspectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch

基于PaddlePaddle实现的EcapaTdnn声纹识别模型，这个模型使用的是声谱图（spectrogram） 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle

基于PaddlePaddle实现的EcapaTdnn声纹识别模型 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-PaddlePaddle