Classification problems are significant because they constitute a meta-model for multiple theoretical and practical applications from a wide range of fields. The belief rule based (BRB) expert system has shown potentials in dealing with both quantitative and qualitative information under uncertainty. In this study, a BRB classifier is proposed to solve the classification problem. However, two challenges must be addressed. First, the size of the BRB classifier must be controlled within a feasible

机器 GeForce RTX 280 环境 python 3.6.12 pytorch 1.6.0 中文数据集 ChineseNlpCorpus中属于情感/观点/评论倾向性分析的微博评论数据集weibo_senti_100k 该数据集包含119988条带情感标注的新浪微博评论数据，其中正向评论占59993条，负向评论占59995条 类别：negative，positive 数据集划分： 数据集 数据量 训练集 95990 验证集 11999 测试集 11999 效果 模型 acc 备注 bert 97.78% 单纯的bert bert_BiLSTM 97.93% bert + BiLSTM bert_DPCNN 97.87% bert + DPCNN bert_BiLSTM_Att 98.42% bert + BiLSTM + Attention 预训练语言模型 bert模型放在 bert

基于RNN的ECG分类 我们使用两层LSTM来实现心律不齐类型的分类。 数据集 使用的所有ECG数据均已从MIT-BIH心律失常数据库中获得，该数据库是用于设计和评估ECG分类算法的最常用数据集。

支持向量机 进行P300检测分类，数据预处理以及分类代码

使用深度学习进行环境声音分类 自主机器人是人工智能的一个领域，致力于设计可以执行任务的机器人，而无需任何外部来源的干预。 自主机器人将对我们在家庭，工业和公共场所的生活产生巨大影响。 这些机器人需要了解周围环境以表现出智能行为。 机器人感知周围环境的方式之一就是通过声音。 近年来，机器人的机械控制技术以可观的速度增长。 但是，他们通过听觉场景感知周围环境的能力仍处于起步阶段。 声音场景分类以多种方式补充了基于图像的分类，例如与有限的摄像机视角相比，麦克风本质上是全向的，并且音频信号需要较少的计算资源和较低的带宽。 装有麦克风的机器人可以通过分析来自声源的声音信号来以任何角度聆听并与人类互动，并且可以增强行为和辅助自主机器人的应用领域。 许多研究人员正在研究智能声音识别（ISR）系统，以使机器人能够了解真实的周围环境。 环境声音分类系统的目标是分析人类的听觉意识特征并将这种感知能力嵌入自主机

Breast Ultrasound Image Classification Based on Multiple-Instance Learning

在PyTorch中使用残留遮罩网络进行面部表情识别 论文的实现。 现场演示： 方法1： 从pip安装 pip install rmn 通过以下Python脚本运行视频演示 from rmn import video_demo video_demo () 方法二： 克隆仓库并通过pip安装软件包 git clone git@github.com:phamquiluan/ResidualMaskingNetwork.git cd ResidualMaskingNetwork pip install -e . 在rmn包中致电video_demo from rmn import video_demo video_demo () 方法3： 模型文件：（此检查点在VEMO数据集上训练，请在./saved/checkpoints/目录中找到） 下载2个文件： 和用于面部检测OpenCV 。找到当前目

吴恩达机器学习 Neural Networks for Binary Classification Jupyter note版本编程作业 机器学习与数据挖掘

颜色分类leetcode 交通灯图像分类 Udacity 自动驾驶汽车纳米学位顶点项目。 系统集成 概述 感知子系统对车辆前方的交通灯颜色进行动态分类。 在给定的模拟器和测试站点环境中，汽车面对单个交通灯或一组 3 个处于相同状态（绿色、黄色、红色）的交通灯。 我们假设不可能同时在不同的州有多个交通灯。 我们考虑了不同的方法来解决交通灯分类任务： 使用CNN对整个图像进行分类； 物体（红绿灯状态）检测； 使用单独模型的物体（交通灯）检测和分类。 考虑到红绿灯始终处于相同状态，并专注于创建轻量级和快速模型，我们选择了对整个图像进行分类的方向。 这种方法使用卷积神经网络，它将前置摄像头的整个图像作为输入，并预测交通灯状态（我们决定使用红色/无预测类）作为输出。 我们在 MobileNet 架构上使用了迁移学习技术和 Tensorflow Image Retraining Example（教程：，代码：）。 数据集 有多个数据集可用于模型训练： 来自 Udacity 模拟器的图像（图像以及来自前置摄像头的地面实况可作为 ROS 主题提供）； rosbag，在 Udacity 的测试站点上捕获

cnn-classification-dog-vs-cat 基于CNN的图像分类器，使用Kaggle的猫狗图片数据。 1 requirement python3 numpy >= 1.14.2 keras >= 2.1.6 tensorflow >= 1.6.0 h5py >= 2.7.0 python-gflags >= 3.1.2 opencv-python >= 3.4.0.12 2 Description of files inputs: 猫狗图片样本数据，，使用keras库中的类读取，需要将每个类的图片放在单独命名的文件夹中存放； train.py: 自建的简单CNN，训练后测试集精度约83%； pre_train.py: 利用已训练的常用网络(基于数据集训练)，进行迁移学习，测试集精度约95%以上； data_helper.py: 数据读取和预处理模块； img_cnn.py: