针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。

基于对称三对角矩阵特征求解的分而治之方法，提出了一种改进的使用MPI/Cilk模型求解的混合并行实现，结合节点间数据并行和节点内多任务并行，实现了对分治算法中分治阶段和合并阶段的多任务划分和动态调度.节点内利用Cilk任务并行模型解决了线程级并行的数据依赖和饥饿等待等问题，提高了并行性；节点间通过改进合并过程中的通信流程，使组内进程间只进行互补的数据交换，降低了通信开销.数值实验体现了该混合并行算法在计算效率和扩展性方面的优势.

Matlab实现基于MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测 Matlab实现基于MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测（Matlab完整程序和数据） 1.最大互信息系数MIC(数据特征选择算法)的分类预测，MIC特征选择分类预测，多输入单输出模型。 2.多特征输入模型，直接替换数据就可以用。 3.语言为matlab。分类效果图，混淆矩阵图。 4.分类效果图，混淆矩阵图。 5.MIC-BP-Adaboost最大互信息系数数据特征选择算法结合Adaboost-BP神经网络的数据分类预测。 运行环境matlab2018及以上。 经过特征选择后，保留9个特征的序号为： 1 3 5 7 8 9 10 11 12

自己整理的YOLO模型的各种改进文献 包括添加注意力模块 改进骨干网络 改进特征融合 改进输出层等

以淮河流域及周边地区48个气象站点1961年-2010年共50年逐日降水过程为基础资料，以地理信息系统技术为数据处理平台，结合Mann-Kendall秩次相关检验、Morlet小波变换和集对分析法（SPA）等，分析淮河流域年降水量时间序列趋势性、周期性以及降水集中度、集中期、降水质心、旱涝发生频率、旱涝交替在空间上的分布特征。结果表明：①近50年来，年降水量整体呈略微减少趋势，南部地区降水增加，北部地区降水减少；②年际变化上存在27年的主周期，年内分配集中在夏季，且北部地区降水更为集中；③干旱易发区分布面

MyCCL特征码定位器 V2.1.rar

matlab歪度斜度代码Hybrid_features_codes 统计和小波特征代码。 特征提取代码是用MATLAB编写的，而分类是在WEKA机器学习工具包中执行的。 附件包含用于特征提取的所有源代码以及验证和训练/测试数据集。 这些文件还包含用于基于 BraTS、AANLIB 和 PIMS MRI 数据集的过期结果的 Weka Experimenter 模型。 均值 2. 方差 3. 偏度 4. 峰度 5. 能量 6. 基于共现矩阵的熵二阶特征 %%%% 角秒矩 8.Correlation 9.Inertia 10.Absolte Value 11.Inverse Difference 12.Entropy 13.Maximum Probability 问候， Ghazanfar Latif

这个资源包含一个为Yolo目标检测模型特别设计的数据增强Python脚本。脚本采用多种数据增强技术，包括图像缩放（保持比例和下降比例）、随机水平和垂直翻转、中心裁剪，以及图像属性（亮度、对比度、饱和度）调整。此外，它还提供了高斯噪声、盐噪声和椒噪声的添加功能，使模型能够更好地处理现实世界中的图像。这些数据增强技术能够显著提高目标检测模型在多样化环境下的准确性和鲁棒性。 这个脚本非常适合机器学习和计算机视觉研究者，尤其是那些使用Yolo进行目标检测的开发者。通过本脚本，用户可以轻松地对他们的数据集进行增强处理，从而提高模型的泛化能力和性能。无论您是深度学习的新手还是经验丰富的研究者，这个资源都是您的理想选择。

本资源包含了四套独立的代码实现，旨在通过不同的机器学习和深度学习技术实现语音情感识别。这些方法包括KNN（K-最近邻算法）、SVM（支持向量机）、神经网络和特征降维技术。每套实现都能够独立运行，为研究人员和开发者提供了广泛的选择以适应各种不同的应用场景。 KNN实现：利用K-最近邻算法，通过分析和比较语音样本的特征，来识别情感状态。 SVM实现：通过支持向量机模型，对语音样本的特征进行分类，以准确判断情感。 神经网络实现：采用深度学习方法，构建神经网络模型以学习和预测语音中的情感特征。 特征降维实现：使用算法降低数据维度，以提高模型的运行效率和准确率。 所有代码均使用MATLAB编写，易于理解和应用。本资源适合用于学术研究、项目开发和算法学习，特别适合对机器学习和语音处理感兴趣的研究人员和学生。 注意，其中包含了 提取特征向量以及对语音信号进行基本处理的一些函数 均包含在了KNN这套代码的wavs文件夹下，如果运行其他三套代码报错，请将这个文件夹添加到路径。这套代码是我在课程设计过程中自己使用到的代码，对于初学者很有帮助！ 如果对你有帮助，还请点赞或者评论，谢谢！！

粒子群算法(PSO)优化双向长短期记忆神经网络的数据分类预测，PSO-BiLSTM分类预测，多输入单输出。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图