【SVM预测】基于SVM实现电力系统短期负荷预测含Matlab源码.zip

EVA：极限人声存档数据集 这是我在NTHU学习MIR课程时所做的最后一个项目。 我决定制作一个充满尖叫声样本的数据集，因为这种声音在MIR领域中较少受到关注。 建立该数据集可能是未来研究的起点。 原始音频 我从挑选了16首歌曲，并通过胆怯将声轨切成小片段，最终得到565个样本。 The Apprehended: 'Still Flyin' Cnoc An Tursa: 'Bannockburn' The Complainiacs: 'Etc' Dark Ride: 'Burning Bridges' Dark Ride: 'Hammer Down' Dark Ride: 'Piece Of Me' Death Of A Romantic: 'The Well' Decypher: 'Unseen' Headwound Harry: 'XXXV' Hollow Ground: 'Ill

ppt对应的代码见：https://download.csdn.net/download/u012104922/10003172

支持向量机SVM是重要的机器学习算法，这里使用matlab软件进行SMO算法设计，实现最优化分类。本次作业是实现SVM学习方法中序列最优化算法（SMO），其中my_svm.m和my_svmtrain.m与此次作业相关的两个文件。my_svm.m

hog svm matlab代码二维码检测-hog-svm-matlab

利用GPU并行加速支持向量机的研究与实践，王亮，高占春，因为支持向量机预测的精度很高，它是非常著名的解决分类和回归问题的工具之一。然而，在训练过程使用非线性核函数的支持向量机算

癌症是导致人类死亡的众所周知的疾病，乳腺癌（BC）是女性诊断出的癌症之一。 一生中大约有八名女性被诊断出患有BC。 如果尽早诊断出BC，可以很容易地进行治疗。 这项研究的方法是通过不同的机器学习（ML）技术来识别患有BC或不患有BC的患者。 在这项研究中，威斯康星州诊断性乳腺癌（WDBC）数据集将通过支持向量机（SVM），k最近邻（k-NN），朴素贝叶斯（NB），决策树（DT）和逻辑回归（LR）进行分类）。 分类之前有一个预处理阶段，其中五个不同的分类器应用了5倍交叉验证方法。 分类性能是通过使用混淆量度通过性能测量参数（即准确性，敏感性和特异性）来测量的。 在这项研究中，SVM在归一化过程后发现的最佳性能为99.12％的精度。

本期做的是基于python的hog+svm机器学习实现目标检测。 算法部分 本次是基于python的hog+svm实现目标检测，是对草莓的识别。 数据集放在“data”文件夹下 “data”下的子文件夹有几个子文件夹就是几分类。 代码依次运行 python 01svm_train.py 会在weights文件夹生成模型 python 02detect_photo.py 会调用模型，通过hog+nms对单张图片实现目标检测 需要查看其他代码的可看b站视频演示： https://space.bilibili.com/124080712?spm_id_from=333.1007.0.0 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download

基于PYNQ-Z2实现手写数字识别卷积神经网络硬件加速器.zip

基于边界框回归损失的目标检测器以其简单、高效的特点被广泛应用于计算机视觉领域。损失函数中定位算法的精度会影响网络模型检测结果的平均精度。我们在Complete Intersection over Union(CIoU)损失函数的基础上提出了一种改进的提高定位精度的算法。具体来说，该算法在于更全面的考虑预测框和真值框的匹配，利用预测框与真值框高宽比尺寸的比例关系，在真值框和预测框对应的宽高比值相同条件下，考虑预测框对定位精度的影响因素，这样强化了惩罚函数的作用，提高了网络模型的定位精度。我们称这个损失函数是Improved CIoU (ICIoU)。在Udacity, PASCOL VOC(Pascal Visual Object Classes)和MS COCO(Microsoft Common Objects in Context)数据集上的实验，证明了ICIoU用于单级目标检测器YOLOv4在提高模型定位精度方面的有效性。所提出的ICIoU算法相比IoU可以在Udacity测试开发上显著提高AP 1.92%和AP75 3.25%。它还可以在PASCAL VOC上显著提高AP 1.7