引言 　  本文基于人脸图像分块和奇异值压缩，进行RBF 神经网络和贝叶斯分类器融合的设计。将人脸图像本身的灰度分布描述为矩阵，其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要的性质，进行各种代数和矩阵变换后提取的代数特征是人脸的表征。由于整体图像的奇异值向量反映的是图像整体的统计特征，对细节的描述还不够深入，本文模拟人类识别人脸的模式，在图像分块和加权的基础上，突出待识别人脸的骨骼特征，近似于人类在识别人脸时自动剔除同一人脸的变化部位的差异能力　　径向基函数（RBF）网络是一种性能良好的前馈型三层神经网络，具有全局逼近性质和逼近性能，训练方法快速易行，RBF 函数还具

基于tensorflow框架(模型使用CNN)进行垃圾邮件分类（包含了中文垃圾邮件分类和英文垃圾邮件分类）

我将展示如何准备训练和测试数据，定义简单的神经网络模型，进行训练和测试。

transformer分类代码

基于支持向量机的数据分类（libsvm）内含matlab完整版代码

RFID的分类 按功能分为： 三、物联网的关键技术---RFID 只读(Read-only memory, ROM)： 单次写入多次读取(One time programming, OTP)： 多次读写(EEPROM)： 按有无电源供应分为： Passive Tag （被动标签） Active Tag （主动标签） 按使用频率分为： 低频标签（Low Frequency）：100~500kHZ（134.2KHZ） 高频标签（High Frequency）：10~15MHZ （13.56MHZ为主） 超高频标签（Ultra High Frequency/Microwave）：850~950至2.4Ghz

本文提出一种基于核SMOTE(Synthetic Minority Over-sampling Technique)的分类方法来处理支持向量机(SVM)在非平衡数据集上的分类问题.其核心思想是首先在特征空间中采用核SMOTE方法对少数类样本进行上采样,然后通过输入空间和特征空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练.实验表明,核SMOTE方法所合成的样本质量高于SMOTE算法,从而有效提高SVM在非平衡数据集上的分类效果.

Phishing_Website_Detection：该项目基于使用随机森林分类公式检测网络钓鱼欺诈性网站。 使用Python编程语言和Django框架实现

基于决策树的垃圾邮件分类器的设计与实现1

主要功能和技术说明如下： （1）Flume数据采集，HDFS数据储存 （2）hive数据仓库分层设计，包含ODS、DWD、ADS层 （3）sqoop数据迁移，完成HIve与MySQL数据库中的数据交互 （4）Echarts搭建动态可视化大屏 （5）SpringBoot搭建可视化后台系统，完成前端与后台的数据传递与交互。 （6）基于Cenots7 搭建虚拟机，配置Hadoop、HDFS、Hive、sqoop、flume、mysql等大数据组件。