随机智能手机的普及，在日常生活中，大多数人在做任何事情的时候，都会随身携带手机。如果开启手机中的传感器，当用户运动时，就可以采集大量的用户信息，根据这些信息，就可以判断当前用户的运动模式，如行走、上楼梯、下楼梯、坐、站立、躺下等等。基于这些运动模式，设计不同的场景，为健身类或运动类应用(APP)增加一些有趣功能。在智能手机中，常见的位置信息传感器就是 加速度传感器(Accelerometer)和陀螺仪(Gyroscope)。加速度传感器：用于测量手机移动速度的变化和位置的变化;陀螺仪：用于测试手机移动方向的变化和旋转速度的变化;传感器本文主要根据手机的传感器数据，训练深度学习模型，用于预测用户

基于matlab和python实现对ROS点云文件的机动车等目标识别，识别精度高，利用已公开的KITTI数据也可以，适用程度高。包含训练、测试及应用整个流程，matlab中利用mlx实时显示，实现流程的全过程可视化。

用FFNN、AlexNet、LeNet网络实现mnist手写数字识别

数据集记录了示范光伏电站10个方阵各3台逆变器1个月的5min间隔有功功率运行数据 termNum: 期数 distNum: 区块号 blockNum: 方阵号 Time: 测点时间 powerNum: 逆变器编号 Power: 有功功率值

加速度计-生物识别 通过加速度计数据识别移动设备的用户（kaggle上的“加速度计生物识别竞赛”） “ CS 725：机器学习基础”的课程项目 #Description：您可以在找到问题陈述的描述 ＃如何运行代码： 假设：您将train.csv和test.csv与其他项目文件放在同一文件夹中 运行device_count.py 运行extractMeanVar.py 运行trimmingdata.py 现在，您可以执行任何分类器代码。 只需在同一文件夹中查找所需文件即可。 ＃我们的方法我们设计了以下解决问题的方法： 朴素贝叶斯 最近的邻居 二次判别分析（类似于LDA） 支持向量机 ＃与每种方法相关的文件： 1]朴素贝叶斯 1. extractMeanVar.py 2. naive_bayes.py 3. naive_bayes_Random.py 2]最近的邻居 1. t

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑，基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑

利用智能手机数据识别人类活动和姿势转换 问题陈述描述 通过智能手机传感器（加速度计和陀螺仪）监测人类活动。该声明将根据这些传感器读数将人类活动分为12类。 数据集 基于智能手机的人类活动和姿势转换识别数据集 智能手机传感器数据分为两类：- 时域特征——累积（x，y，x），最小值，中值，熵等。 频域特征——时域特征的DFT（加速度、急动幅度、陀螺仪幅度等）。 数据可视化 使用二维PCA和TSNE嵌入将数据可视化。TSNE可视化显示，不同的类可以很好地分离。 实验 在不同的参数变化中实现了几种分类技术。下文给出了所有实验的详细研究： 神经网络（单层和多层感知器） SVM（线性和高斯核） 增压（具有不同的损耗函数）

数据集记录了示范光伏电站10个方阵各3台逆变器1个月的5min间隔有功功率运行数据，主要给出时间戳信息、逆变器所属区块和方阵信息等。可利用10个方阵的各3台光伏逆变器功率数据结合机器学习无监督算法技术，建立鲁棒的光伏功率异常数据检测模型，用于识别并剔除潜在的异常数据。 termNum: 期数 distNum: 区块号 blockNum: 方阵号 Time: 测点时间 powerNum: 逆变器编号 Power: 有功功率值

科研人员，研究生，在校学生

包含8台风力电机1年的10min间隔SCADA运行数据，包括时间戳信息、风速信息和功率信息等。数据来源自某风电场群的1年SCADA真实运行数据，主要有4个维度信息分别为时间戳、风速、功率和风轮转速，并且给出风机参数说明罗列了各风机的风轮直径、额定功率和风轮转速范围等信息，该数据集从风机实际生产过程中收集，是风机在实际工况条件下运行的典型结果