搜索资源列表
sednn-master.tar
- 利用DNN来进行语音增强，先补充数据训练模型，然后进行去噪处理。(speech enhancement:Using DNN to enhance speech, data training model is first supplemented and then denoised.)
基于极限学习机ELM的数据分类
- 针对数据分类问题，提出了基于极限学习机的分类方法，将数据样本分为训练样本和测试样本，并采用准确率指标进行评价。(Aiming at the problem of data classification, a classification method based on extreme learning machine is proposed. The data samples are divided into training samples and test samples, and the
跨模态文字检索图片102花卉数据
- 跨模态检索 tensorflow实现，使用googlenet处理图片，char-cnn处理文字，使用triple-loss训练(Tensorflow is implemented by cross-modal retrieval, using Google eNet to process pictures, char-cnn to process text, and triple-loss training)
CNN
- 这是一个为1D心电图数据训练而设计的神经网络。(this is a Covoluntional Neural Network deisigned for 1D ECG data training.)
Iris-Dataset-Analysis-master
- 用决策树-回归分析模型来分析鸢尾花数据，训练后最终可以得到模型的准确率(Using decision tree-regression analysis model to analyze iris data, the accuracy of the model can be obtained after training.)
决策树训练及分类
- 该压缩包包括两个文件： 1、main.m 将训练数据输入到决策树中，训练并在自动分好的测试数据上测试，并保存训练好的决策树 ctree.mat文件。 2、classification.m 加载训练好的决策树，使用决策树对新输入的数据进行分类。 该方法主要用于对SLIC超像素块进行分类，稍加修改可以用于其他数据分类。(The compression package consists of two files: 1. Main. m inputs training data into decisio
1D_CNNs
- 一维卷积神经网络在心电图数据训练中的应用 但是不包含标注数据(1d cnns for ECG data training)
MNIST_data
- MNIST数据集是一个手写体数据集，这个数据集由四部分组成，分别是一个训练图片集，一个训练标签集，一个测试图片集，一个测试标签集；我们可以看出这个其实并不是普通的文本文件或是图片文件，而是一个压缩文件，下载并解压出来，我们看到的是二进制文件。其中包含60000张手写体识别数字图片。(MNIST data set is a handwritten data set, which consists of four parts: a training picture set, a training l
SVM数据分类器
- 这是从官方网站上得到的数据，用来进行训练与测试。
ELM预测
- 给出了一种极限学习机（elm)算法，并用汽油近红外光谱辛烷值数据集对ELM网络进行训练，最后用ELM对汽油辛烷值进行预测，并对预测结果进行评价。文件内含ELM工具箱，可直接在MATLAB运行。(An extreme learning machine (elm) algorithm is presented, and the ELM network is trained with the data set of gasoline near infrared spectroscopy octane
ELM分类
- 内含两个数据集---iris_data和classsim，分别为艾瑞斯花和红酒的分类训练数据。分别用这两个数据集对极限学习机（ELM）进行训练，并测试ELM的分类效果。(It contains two data sets, iris_data and classsim, which are classified training data of Iris Flower and Red Wine respectively. The two data sets are used to train t
基于深度学习的机器人抓取仿真训练技术研究
- 机器人智能抓取是实现机器人智能化的重要一环。由于待抓取物品形状、尺度的多样性以及环境因素的影响，抓取任务很难用准确的数学公式求解。以往的研究多是借助计算机视觉、机器学习等相关技术，虽有一定的效果，但智能化程度还是较低。2012 年后深度学习技术逐渐崛起，因为其良好的特征提取表现被应用在了各个领域，如医学图像、自动驾驶、数据分析等，近年来国外学者开始将这项技术应用到机器人抓取，并取得了一定的成果。
神经网络及数据
- 使用神经网络预测销量，包括数据预处理、输入数据变换、神经网络训练及使用。包括数据集(Use neural network to forecast sales volume, including data preprocessing, input data transformation, neural network training and use)
使用vgg16训练cifar数据集
- 神经网络 深度学习 慕课平台 tensorflow2.1 使用vgg16训练cifar10分类数据集
2008BCI Data set IV数据
- 第四届国际BCI大赛Datasets 2b数据集的前三位受试者数据，每位受试者包含两组无反馈的数据，三组有反馈的数据；前三组训练数据，后两组测试数据.
UCI（55个）
- 机器学习训练的数据集-UCI数据集，包含55个数据集(Machine learning training data set -UCI data set, containing 55 data sets)
BP神经网络股票预测
- 在600085这个数据表中，以XZSLX综合作为输入，以收盘价作为输出 以前595个数据作为训练样本，后100个数据作为实际输出。 通过训练数据建立模型，最终输出100个预测的股票收盘价。 将预测的收盘价和实际的收盘价进行对比并求取误差，从而判断所建立模型的准确性。 RBF神经网络调用newff函数实现。(In the data table of 600085, XZSLX synthesis is used as input and closing price as output. The
BP神经网络股票预测
- 分别采用BP网络和RBF网络进行数据预测 在600085这个数据表中，以XZSLX综合作为输入，以收盘价作为输出 以前595个数据作为训练样本，后100个数据作为实际输出。 通过训练数据建立模型，最终输出100个预测的股票收盘价。 将预测的收盘价和实际的收盘价进行对比并求取误差，从而判断所建立模型的准确性。 BP神经网络调用newff函数实现。(In the data table of 600085, XZSLX synthesis is used as input and closing pr
垃圾短信分类
- 基于文本内容的垃圾短信识别,对数据进行了数据清洗,分词等,进行 了模型训练及评价(Based on the text content of spam short message recognition, data cleaning, segmentation, model training and evaluation are carried out)
MNIST_data
- MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。(The MNIST data set is a very classic data set in the field of machine learning. It consists of 60,000 training samples and 10,000 test samples. Each sample is a 28 * 28 p