注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. STM32数据采集卡+电机调速

  2. 一个课程设计，与labview上位机配合，利用ADS1115实现数据采集并由上位机显示。ADS1115使用单通道连续采集，中断接收，采样率达到875Hz。有PID可以实现对电机调速。并将电机速度数据上传至labview上位机，可以接收上位机发送来的PID数据并应用。

  3. 所属分类：嵌入式

    • 发布日期：2018-03-09
    • 文件大小：714752
    • 提供者：yuanqia4079

  1. 机器学习——数据不均衡及解决方案

  2. 数据不均衡及解决方案--上采样、下采样及数据合成的Python代码

  3. 所属分类：机器学习

    • 发布日期：2018-03-10
    • 文件大小：5120
    • 提供者：loveliuzz

  1. smote数据上采样方法

  2. In recent years, mining with imbalanced data sets receives more and more attentions in both theoretical and practical aspects. This paper introduces the importance of imbalanced data sets and their broad application domains in data mining, and then

  3. 所属分类：算法与数据结构

    • 发布日期：2018-11-07
    • 文件大小：473088
    • 提供者：hongtao0206

  1. 基于MapReduce的非平衡大数据集分类

  2. 非平衡大数据集分类是近年来机器学习领域的研究热点。因为许多实际应用领域中都存在非平衡大数据,如医疗诊断数据、信用卡欺诈检测数据、网络入侵检测数据等集。所以研究非平衡大数据集分类具有重要的理论意义和实际应用价值。针对两类非平衡大数据集分类,本文提出了正类样例交叉上采样与分类器集成相结合的方法。具体地,在上采样阶段,正类样例的上采样按下面两步交叉进行:第一步,利用Map Reduce计算正类样例的类中心,并在中心与每一个正类样例点的连线上进行采样;第二步,对新采样的正类样例中的每一个样例点,用Map

  3. 所属分类：算法与数据结构

    • 发布日期：2020-01-15
    • 文件大小：2097152
    • 提供者：sunearlier

  1. Data_zoo256512.rar（DWTT数据集）

  2. 通过FCN网络进行DWTT试样断口图像的语义分割 通常cnn网络在卷积之后会接上若干个全连接层，将卷积层产生的特征图（feature map）映射成为一个固定长度的特征向量。一般的CNN结构适用于图像级别的分类和回归任务，因为它们最后都期望得到输入图像的分类的概率，如ALexNet网络最后输出一个1000维的向量表示输入图像属于每一类的概率。 FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任

  3. 所属分类：深度学习

    • 发布日期：2020-01-07
    • 文件大小：61865984
    • 提供者：hopegrace

  1. Nano系列的UART数据唤醒功能介绍和范例程序代码.pdf

  2. AN_0003_UART_Data_Wake-up_Function_for_Nano_Series_SC_Rev1.00nUVOTon ANO003 简介 对于 系列, 控制器提供两种将从 掉电模式中唤醒的方法。一种是使用管脚唤醒功能,用户可以切换管脚状态将 唤醒;另一种方式是数据唤醒功能,当接收到数据的时候, 控制器能够将从掉 电模式中唤醒,并且将接收到的数据储存在中 如图所 从掉电模式中唤醒后’由于控制器需要等待时钟源起振,因此相比 于正常模式会有采样点位移的时间。如果采样点位移的时间人于

  3. 所属分类：其它

    • 发布日期：2019-09-14
    • 文件大小：1048576
    • 提供者：weixin_38743737

  1. ComTrade数据文件d解析.pdf

  2. Comtrade格式数据文件的解析，显示和分析，暂态波形和事故数据《冶金自动化》2009年S2 timestamp=时间标记,数字,时间的基本单位000) 是μ。一个数据文件中以第1个数据采样至任意 (3)将其转换为16进制值(0030) 个时间标记区所标志的采样所经过的时间是配 (4)该数据接着被存于LSB/MSB格式 置文件中的时间标记与时间乘数( timestamp x(3000)。 timeout)的乘积(单位为队s 23.5 Binary数据采样实例 2.3.3ASCI数据采样实例 下

  3. 所属分类：其它

    • 发布日期：2019-08-17
    • 文件大小：643072
    • 提供者：wind_bright

  1. 数据转换/信号处理中的基于PCI总线的微弱信号采集模块的设计方案

  2. 摘要：为解决现场测试系统中微弱信号的高速实时采集处理和及时可靠存储的问题，本文提出了基于PCI总线的数据采集电路的设计方案，该方案将模拟信号通过高速A/D芯片有效采样，在FPGA的控制下将数据上传到PC机进行分析处理和保存， 从而实现微弱数据信号的高速采集和将采集到数据流的稳定传输和处理、显示。 　　1.引言 　　随着微电子技术的广泛普及、计算机技术的快速发展，现场信息实时采集系统的性能越来越受到大量关注。从测试系统和科研领域产生的动态信息中提取有用数据进行现场实时采集并存储显得尤为重要。设

  3. 所属分类：其它

    • 发布日期：2020-10-20
    • 文件大小：151552
    • 提供者：weixin_38720756

  1. 使用FPGA实现高效并行实时上采样

  2. 采样就是采集模拟信号的样本。通常采样指的是下采样，也就是对信号的抽取。其实，上采样和下采样都是对数字信号进行重采，重采的采样率与原来获得该数字信号的采样率比较，大于原信号的称为上采样，小于的则称为下采样。上采样是下采样的逆过程，也称增取样或内插。     本文介绍一种使用Virtex-6器件和免费WebPACK工具实现实时四倍上采样的方法。     许多信号处理应用都需要进行上采样。从概念上讲，对数据向量进行M倍上采样的最简单方法是用实际频率分量数的（M-1）倍个零填充数据向量的离散傅里叶变

  3. 所属分类：其它

    • 发布日期：2020-10-19
    • 文件大小：266240
    • 提供者：weixin_38597970

  1. Python对数据进行插值和下采样的方法

  2. 使用Python进行插值非常方便，可以直接使用scipy中的interpolate import numpy as np x1 = np.linspace(1, 4096, 1024) x_new = np.linspace(1, 4096, 4096) from scipy import interpolate tck = interpolate.splrep(x1, data) y_bspline = interpolate.splev(x_new, tck) 其中y_bspline就是从

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：41984
    • 提供者：weixin_38731979

  1. python数据预处理 :样本分布不均的解决(过采样和欠采样)

  2. 何为样本分布不均： 样本分布不均衡就是指样本差异非常大，例如共1000条数据样本的数据集中，其中占有10条样本分类，其特征无论如何你和也无法实现完整特征值的覆盖，此时属于严重的样本分布不均衡。 为何要解决样本分布不均： 样本分部不均衡的数据集也是很常见的：比如恶意刷单、黄牛订单、信用卡欺诈、电力窃电、设备故障、大企业客户流失等。 样本不均衡将导致样本量少的分类所包含的特征过少，很难从中提取规律，即使得到分类模型，也容易产生过度依赖于有限的数量样本而导致过拟合问题，当模型应用到新的数据上时，模型的

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：71680
    • 提供者：weixin_38559203

  1. 具有上采样模块的DenseNet，用于识别图像中的文本

  2. 卷积递归神经网络（CRNN）在OCR的研究中取得了巨大的成功。 但是现有的深度模型通常在池化操作中应用下采样，以通过丢弃一些特征信息来减小特征的大小，这可能会导致丢失占用率较小的相关字符。 而且，循环模块中的所有隐藏层单元都需要在循环层中连接，这可能导致沉重的计算负担。 在本文中，我们尝试使用密集卷积网络（DenseNet）替代CRNN的卷积网络来连接和组合多个功能，从而潜在地改善结果。 另外，我们使用上采样功能构造一个上采样块，以减少池化阶段下采样的负面影响，并在一定程度上恢复丢失的信息。 因

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：1048576
    • 提供者：weixin_38607864

  1. 无线传感器网络中的高能效有损数据聚合？

  2. 在无线传感器网络（WSN）中，网络内数据聚合是减少能耗的有效方法。 但是，大多数现有的数据聚合调度方法都尝试在每个时间实例上聚合来自所有节点的数据，由于链路的不可靠性以及时空数据相关性，这既不节能也不实用。 在本文中，我们提出了一种新的方案，该方案允许在数据丢失的情况下进行数据聚合。 在我们的方案中，我们选择性地让一些节点采样并聚合数据，然后将其传输到接收器。 研究了两种不同的情况。 首先，本文假设链路是可靠的，并且所有节点的数据与采样节点的数据之间的误差是有限的。 预先给出置信度时，将对误差范

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：836608
    • 提供者：weixin_38713306

  1. 一种基于核SMOTE的非平衡数据集分类方法

  2. 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.

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：543744
    • 提供者：weixin_38742656

  1. 机器学习的地球科学数据质量-源码

  2. 机器学习的地球科学数据质量 在建立大规模模型时，例如在澳大利亚，存在一个问题。 完全不同的数据集，将它们分为多个领域： 地球物理学（重力，磁性，辐射度，地震，电磁，感应极化，大地电磁...） 地质学（岩性，地层学，构造，水文..） 遥感（Landsat，ASTER，Sentinel ...） 地球化学（岩石，土壤，水，分析技术...） 各种数据层： 直接观察 网格数据 解释（固体地质，SEEBase ...） 导数（例如，ASTER谱带比率，岩石单位的累积...） 机器学习模型（R

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：4194304
    • 提供者：weixin_42121058

  1. 比较轨迹聚类方法：比较轨迹数据集上的不同聚类方法和相似性度量-源码

  2. 比较轨迹聚类方法 这是我的模式识别课程学期项目。 目标是在民用飞行数据上比较4种聚类算法（k型，高斯混合模型，dbscan和hdbscan）。 可以在report.pdf文件中找到更多详细信息。 产生的集群如下所示： 应用轨迹分割以减少采样点的数量，并使用hausdorff距离比较轨迹之间的相似性。 更新（2019年2月） 添加了一个演示项目的每个步骤。 首先请看一下，它比项目的其他部分更短，更容易理解。 它还在公共数据集上显示了这些步骤。 公开数据集： 集群轨迹：

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：13631488
    • 提供者：weixin_42116672

  1. quickdraw-cnn：“您猜，AI猜想”的MVP（最小可行产品）可以使用TensorFlow.js友好的CNN（卷积神经网络）模型识别Web画布上的草图。-源码

  2. quickdraw-cnn 项目信息 这是“您猜得出来，AI猜想”的MVP（最小可行产品），可以使用TensorFlow.js友好的CNN模型在Web画布上识别草图。 该项目利用了。 Quick Draw数据集是345个类别中5000万张图纸的集合，如果使用完整的数据集训练网络模型，GPU所需的计算资源对我来说将是非常巨大的。 为了演示如何使用TensorFlow全栈开发具有AI功能的Web应用程序，我从该数据集中采样了10个类别和每个类别数万张图片来训练CNN模型，并在Google上训练了2

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：5242880
    • 提供者：weixin_42118056

  1. 步态数据上的预测建模：使用LSTM将预测模型应用于时序步态数据的实验的最终结果和Python代码。 “重采样和时代测试”显示了一次优化模型参数两次的第一次迭代的结果。 “批次大小和神经元测试”显示第二次测试的结果，优化了其余两个参数-源码

  2. 步态数据上的预测建模：使用LSTM将预测模型应用于时序步态数据的实验的最终结果和Python代码。 “重采样和时代测试”显示了一次优化模型参数两次的第一次迭代的结果。 “批次大小和神经元测试”显示第二次测试的结果，优化了其余两个参数

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：307200
    • 提供者：weixin_42160425

  1. 基于膨胀卷积平滑及轻型上采样的实时语义分割

  2. 针对轻量级网络在语义分割速度上较快,但精度较低的问题,在轻量级网络基础上,提出了基于膨胀卷积平滑及轻型上采样的实时语义分割方法。为了提高分割速度,采用结合结构化知识蒸馏的轻量级网络ResNeXt-18作为特征提取网络。设计了膨胀卷积平滑模块及轻型上采样模块,用来提高语义分割的精确度。为验证所提方法的有效性,在Cityscapes数据集及CamVid数据集上进行评估,在Cityscapes数据集上得到了速度为40.2 frame/s,精度为76.8%,参数量仅为1.18×10 7的结果。实验表明,

  3. 所属分类：其它

    • 发布日期：2021-01-26
    • 文件大小：5242880
    • 提供者：weixin_38655011

  1. 使用FPGA实现高效并行实时上采样

  2. 采样就是采集模拟信号的样本。通常采样指的是下采样，也就是对信号的抽取。其实，上采样和下采样都是对数字信号进行重采，重采的采样率与原来获得该数字信号的采样率比较，大于原信号的称为上采样，小于的则称为下采样。上采样是下采样的逆过程，也称增取样或内插。     本文介绍一种使用Virtex-6器件和WebPACK工具实现实时四倍上采样的方法。     许多信号处理应用都需要进行上采样。从概念上讲，对数据向量进行M倍上采样的简单方法是用实际频率分量数的（M-1）倍个零填充数据向量的离散傅里叶变换（D

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：949248
    • 提供者：weixin_38746926
« 12 3 4 5 6 7 8 9 10 ... 50 »