榆木分类器Audio_Classifier_for_Asthma_and_Hypothorax_Detection 该项目对从患者收集的音频样本进行分类，包括他们的咳嗽，体液水平和喘息频率，以实时检测哮喘和下胸状况。 连接，配置和测试连接到R Pi的麦克风的过程： 将ADC转换器MCP3008与R Pi接口连接的步骤： 工作流程： 使用Linux命令将麦克风连接到R Pi 将ADC转换器连接到R pi并使用步骤和python代码对其进行配置 插入具有训练模型的SD卡 测试R pi是否接收到麦克风信号，并将模拟信号传递到ADC转换器 使用Matlab代码过滤音频（chebyshev过滤器） 定期对过滤后的音频进行分段，以使测试片段时间与训练片段时间相匹配 通过受训练的分类器传递测试片段，以通过从Matlab调用经过训练的模型来预测输出（检测到的疾病，如有） 链接到堆叠式CNN进行培训： 链接到混合分类器进行训练（SVM + ANN）： 其他传统算法：SVM，GNN（高斯神经网络），ELM（极限学习机）

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

榆木分类器在线词典学习 这是在线稀疏字典学习和时间金字塔匹配的官方Matlab实现[“李南宇，司玉娟，邓铎，袁春雨ECG通过在线稀疏字典和时间金字塔匹配进行分类”，在IEEE第17届国际通信技术大会上（ICCT）]可以从中下载 兼容性 该代码使用Windows 10和Matlab 2012进行了测试。 抽象的 最近，单词袋（BOW）算法提供了有效的功能并提高了ECG分类系统的准确性。 但是，BOW算法有两个缺点：（1）。 量化误差大，重建性能差。 （2）。 它会丢失心跳的时间信息，并可能为不同类型的心跳提供令人困惑的功能。 此外，ECG分类系统可用于对心血管患者进行长时间监视和分析，同时会产生大量数据，因此我们迫切需要一种有效的压缩算法。 鉴于上述问题，我们使用小波特征构造稀疏字典，从而将量化误差降至最低。 为了降低算法的复杂性并适应大规模的心跳操作，我们将在线词典学习与特征符号算法结合起来以更新词典和系数。 系数矩阵用于表示心电图搏动，大大减少了内存消耗，同时解决了定量误差的问题。 最后，我们构造金字塔以匹配每个ECG搏动的系数。 因此，我们通过时间随机池获得包含节拍时间信息的特征。

粒子群-极限学习机一种单隐层神经网络，用于数据分类，故障诊断等

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

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

榆木分类器信息 3D场景几何识别 使用低层特征和多层深层特征的3D场景几何体识别系统 该代码是在多层深度CNN上使用低级特征融合实现图像场景几何识别的方法（已接受）。 如果您对代码有任何疑问，请通过与Altafhan联系。 该系统在Matlab中实现。 该代码已在Linux（Ubuntu 18.x）和带有Matlab版本R2019b的Window 7上进行了测试。 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%此模型中提取了两种类型的特征。 深度CNN， 手工功能主文件为“ G_multilayersystem.m”，您可以通过“ G_multilayersystem.m”金字塔访问所有其他功能。 %%%%%%%%%%%%%%%%%%程序具有两个不同的模块：实施第一个ResNet模型，并提取五个不同阶段的特征，这些特征在每个阶段都与本地手工特征结合在一起。 （5个不同的阶段）5个阶段：表示5个分类器并联。 我们测试两个分类器； 在每个阶段都支持SVM和ELM。 ％SV

是一种简单的程序 在黄广斌的基础上进行了修改，主要用于分类为题，可以显示最后的分类结果

Qt编写的超限学习机(ELM)分类器演示程序源码

极限学习机是一种很好的分类器，对两类和多类均可。参数自设。