stroop_app 使用tkinter进行Stroop测试的Python项目

基于疫情环境下 运用python对全国的疫情情况进行数据分析并进行数据可视化

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

使用卷积神经网络对mnist数据集进行分析 使用tensorflow对mnist数据集进行建模 #1、导入需要用到的包 import tensorflow as tf import random import numpy as np import matplotlib.pyplot as plt import datetime from tensorflow.examples.tutorials.mnist import input_data #2、导入mnist数据集 mnist = input_data.read_data_sets("data/", one_hot=True) #3、

qt停车场管理系统 1、上班，对停车记录表，等待队列，停车区域牌，停车位状态等信息进行读取 2、车辆入库，显示停车场总车位数和空车位数，记录车辆的入库时间，停车位以及车牌号。若无，将该车辆按顺序加入等待序列，直至空车位出现进行上述操作。 3、车辆出库，输入车牌号，记录下离开的时间并计算出停车费用。 4、查询 查询主要包括：查询车辆状态、查询停车场状态、查询所有车辆信息。 1>车辆状态的查询：输入车牌号查询到该车辆的状态。(等候、已入场、停车时间、已离开)。 2>停车场状态的查询。 1）查询当前停车场使用状况：输入停车场区域编号，输出该区域的车位总数、空余车位、当前等待队列中的车辆数。 2）查询指定车位平面图，显示已停车车位和空车位 3>显示所有信息的主要功能：输出停车记录表、停车信息表、等待队列。 5.基础信息维护 基础信息维护：修改每小时停车费、禁止停车区域、解禁停车区域 1>修改每小时停车费：输入你要定义的停车费金额。 2>禁止停车区域：输入禁止停车的区域，使得该区域无法停车 3>解禁停车区域：输入解禁停车的区域，使得该区域从禁止停车状态变为可以停车状态。 6、下班，将改变后

信用风险建模：使用Python和ML进行信用风险分析

Qt链接数据库进行的动态的停车场系统的编写

红蜘蛛教室控屏软件，上课进行学习机演示可用。 亲测可用，无用户限制，可实现局域网内同一网段机器的连接控制，目前测试使用30多台电脑的远距离（100米左右）连接使用稳定。具体功能不多介绍，可自行查询。

SM2验签，注意： hex加签后生成的R和S，需要拼接头部再送到java类中去验证签名。

缺陷预测旨在通过从历史缺陷数据中学习来估计软件的可靠性。 缺陷预测方法根据从软件项目中提取的指标来识别软件模块是否容易出现缺陷。 这些度量值（也称为特征）可能涉及不相关和冗余，这将损害缺陷预测方法的性能。 现有工作采用特征选择来预处理缺陷数据以滤除无用的特征。 在本文中，我们提出了一种新颖的特征选择框架MICHAC，它是通过层次聚类聚类通过最大信息系数进行缺陷预测的简称。 MICHAC分为两个主要阶段。 首先，MICHAC利用最大信息系数对候选特征进行排序，以过滤掉不相关的特征；其次，MICHAC通过分层聚集聚类对特征进行分组，并从每个结果组中选择一个特征以去除冗余特征。 我们使用三个具有四个性能指标（精度，召回率，F量度和AUC）的不同分类器，对11个被广泛研究的NASA项目和四个开源AEEEM项目评估了我们提出的方法。 与五种现有方法的比较表明，MICHAC可有效选择缺陷预测中的特征。