多视图深度卷积神经网络进行高分辨率乳腺癌筛查 介绍 这是用于分类的模型的实现，如我们的论文。 该实现使用户可以通过将我们的预训练CNN模型应用于具有四个视图的标准筛查乳房X线检查中来获得BI-RADS预测。 作为此存储库的一部分，我们提供了一个示例考试（在images目录中）。 该模型在TensorFlow和PyTorch中均实现。 先决条件 巨蟒（3.6） TensorFlow（1.5.0）或PyTorch（0.4.0） NumPy（1.14.3） 科学（1.0.0） 枕头（5.1.0） 数据 要使用预训练模型，输入必须包含四张图像，每个视图一个（L-CC，L-MLO，R-CC，R-MLO）。 每个图像的大小必须为2600x2000像素。 提供的样本检查中的图像已经被裁剪为正确的尺寸。 如何运行代码 可用选项位于文件birads_prediction_tf.py或birads_p

Fisher's linear discriminant

Candock | 英文|| 时间序列信号分析和分类框架。 它包含多个网络，并提供数据预处理，数据扩充，培训，评估，测试和其他功能。 一些输出示例： 特征 数据预处理 规范：5_95 | maxmin | 没有任何 过滤器：fft | 冷杉| ir | 小波| 没有任何 资料扩充 各种数据扩充方法。 基数：比例，经线，app，aaft，iaaft，filp，作物 噪音：尖峰，阶跃，斜率，白色，粉红色，蓝色，棕色，紫色 甘：dcgan 网络 各种评估网络。 1天 lstm，cnn_1d，resnet18_1d，resnet34_1d，multi_scale_resnet_1d，micro_multi_scale_resnet_1d，自动编码器，mlp 2d（频谱图） mobilenet，resnet18，resnet50，resnet101，densenet121，densene

Most 3D shape classification and retrieval algorithms were based on rigid 3D shapes, deploying these algorithms directly to nonrigid 3D shapes may lead to poor performance due to complexity and changeability of non-rigid 3D shapes. To address this challenge, we propose a fusion view convolutional neural networks (FVCNN) framework to extract the deep fusion features for non-rigid 3D shape classification and retrieval. We first propose a projection module to transform the nonrigid 3D shape into a

Python中的实用自主项目 车道检测 交通标志识别 I.加载带有标签的完整数据集 二。 将图像大小转换为32x32 三， 建立卷积神经网络 IV。 训练模型 五，使用网站上的图片进行测试 样本图片 图片尺寸为32x32（RGB） 图片尺寸为32x32（HSV） 样品输出 标签 ＃ 标签名 softmax概率 14 停 0.998944 33 向右转 0.000532 29 自行车穿越 0.000311 34 向左转 0.000118 36 直走或右走 0.000095

yasa_classifiers 该存储库包含用于生成YASA睡眠阶段模块的预训练分类器的笔记本： : 可以在sleepdata.org上找到数据集。 您需要请求数据访问权限才能下载数据集。 具体而言，使用以下数据集对睡眠分期分类器进行训练：CCSHS，CFS，CHAT，HomePAP，MESA，MrOS，SHHS。 脚步 01_features_nsrr_\*.ipynb ：从原始PSG文件计算特征。 确保更新路径！ 02_create_classifiers.ipynb ：训练并导出睡眠阶段分类器。

榆木分类器分类 ELM和FLN分类该代码在matlab中生成2个clands的rand数据并将其绘制并通过ELM，FLN分类器进行分类

2ask的功率谱密度matlab代码 Automatic-Modulation-Classification 使用matlab生成数据集 参考 仿真方式 MATLAB（版本2019b以上） 调制种类 28种，数字调制（25种）: "BPSK", "QPSK", "8PSK","16PSK","32PSK",."OQPSK" ,"DBPSK", "DQPSK"，"D8PSK"，"16QAM", "32QAM","64QAM","128QAM","256QAM" "PAM4","PAM8" ,"2ASK","4ASK"，"16APSK"，"32APSK"，"GFSK", "2FSK", "4FSK" ,"MSK","GMSK",；模拟调制（3种）："B-FM", "DSB-AM", "SSB-AM" 信号产生步骤 （1）生成M进制随机序列（dataSrc函数） 首先设置单个帧的采样点长度spf（默认为1024）和单个符号采样点sps（默认为8），得到每一帧的符号数symbolsPerFrame = spf / sps（默认为128），调用dataSrc函数生成symbolsPerFrame

机器学习 模式识别 方向 经典书籍，英文原版，十分清晰

category_and_d3 使用分类算法预测高血压，并使用d3对结果进行基本可视化 ####文件夹结构： 3天 包含用于创建d3条形图的.html文件和.csv数据文件。 * precision.html带有CSS和javascript的html文件。 使用“ d3.js”（带有工具提示）库来生成图形，pure_accuracy.csv数据集，该数据集会由precision.html * callback.html带有CSS和javascript的html文件使用。 使用“ d3.js”（带有工具提示）库来生成图* pivot_recall.csv数据集，该图*由css和javascript使用的callback.html * feature_importance.html html文件使用。 使用d3.js库，还使用过渡来生成图形 sql 包含.sql脚本以生成分类模型中使用的