IDBE RibbonCreator 2021 x64 下载特征码 所见所得的OFFICE功能区编辑器，支持创建自定义功能区。 RibbonCreator 2019 https://blog.csdn.net/zyyujq/article/details/116333660 RibbonCreator 2021 https://blog.csdn.net/zyyujq/article/details/124989649

BarTender软件简介绍： BarTender的标签打印软件可以通过制作和自动打印和控制标签、条形码、RFID 标记、塑料证卡等，帮助全球范围内的组织改善安全、防护、效率和合规性。设计标签和内容帮助的直观化界面，易于使用和掌握，且100%所见即所得，提供符合十几种码制标准的100多种一维码和二维码，可从50多种绘图形状中选择，然后随意重新调整大小、改变形状和颜色，或导入自己的图形，支持人眼可读的条形码文本，包括二维码，来自常见行业和用例的160多个预定义标签模板，适用于Avery等20多个供应商的预定义标签尺寸。制造、化学、医疗保健、食品和饮料、航空航天、制药、供应链/物流和其他行业的成百上千的公司信任BarTender，利用其标签制作和打标流程，来运营业务。BarTender标签打印软件和条码打印软件在超过 100 个国家或地区上市。 https://blog.csdn.net/zyyujq/article/details/124988511

提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。

人脸图像特征提取matlab代码支持向量机的图像分类 在这里，我训练了支持向量机，线性判别分析和四层前馈神经网络，以对来自CIFAR-10数据集的10个图像类别进行分类，从而以62.7％的SVM实现了最高的准确性。 该实验的关键问题是发现用于降低尺寸的PCA和LDA的非传统组合是否优于单独的LDA或PCA。 此外，在有监督类质心初始化的情况下，我测试是否可以使用聚类方法（k均值和GMM）进行分类。 Matlab要求： FDA LDA多类（1.7版） 计算机视觉系统工具箱（8.0版） 神经网络工具箱（11.0版） 统计和机器学习工具箱（版本11.2） 怎么跑 克隆计算机上的存储库，并确保CW2Data.mat与matlab脚本位于同一文件夹中。 按此顺序运行matlab步骤1至8。 介绍 我们提出了CIFAR-10数据集图像的十类监督分类问题。 我们的培训和测试数据分别包含10个类别的1000个样本和100个样本。 图像数据存储在四维矩阵中，其中前两个维表示图像大小（32x32），第三个维是RGB颜色通道，最后一个维索引数据样本。 我们提出的数据挖掘管道首先使用定向梯度直方图（HOG）进

本文提出了结合主题和各主题下关键特征的文本相似度算法,目的在于更准确的挖掘被描述对象的近邻对象集。本文首先介绍卡方统检验特征统计法,并利用改进的卡方检验,计算训练集中已知主题的文本的特征;而后介绍了最小编辑距离算法、余弦相似度算法和杰卡德相似系数,在论证了主题对文本相似度的重要性后,又针对难提取主题的文本加以改进,最终提出了基于主题和特征的文本相似度算法;然后对各个算法在测试集上的相似度计算结果进行分析,证明本文提出的算法在速度和精确度上明显优于其他算法;最后将该算法应用于股票的概念股题材标注上,分析结果

基于PCA的人脸特征提取和识别 基于PCA的人脸特征提取和识别

合成孔径雷达(SAR)目标检测和识别是SAR实用化的瓶颈技术之一,提取有效的目标特征是SAR目标检测与识别的关键环节。高分辨率SAR图像中,目标属性散射中心特征反映了目标散射中心的位置、类型等信息,精确获取目标散射中心属性特征能够提高对目标的检测识别性能。针对SAR目标属性散射中心特征的提取,该文提出了一种基于改进的空间-波数分布(ISWD)的特征提取方法,该方法首先利用ISWD估计散射中心关于频率与方位角的函数,然后利用该函数来获得目标属性散射中心模型参数。最后利用仿真实验验证了方法的有效性。

通过matlab使用小波分析方法实现对信号进行故障分析和特征提取

小波变换原理： 小波变换的含义是把某一被称为基本小波（mother wavelet）的函数作位移τ再 在不同尺度α下，与待分析信号X(t)左内积，即 式中，α>0，称为尺度因子，其作用是对基本小波Φ（t）函数作伸缩，τ反映 位移，其值可正可负，α和τ都是连续变量，故又称为连续小波变换（continue wavelet transform， 简称CWT）。在不同尺度下小波的持续时间随值的加大而增 宽，幅度则与反比减少，但波的形式保持不变。 傅里叶分析是将信号分解成一系列不同频率的正弦波的叠加，同样小波分析 是将信号分解为一系列小波函数的叠加，而这些小波函数都是由一个母小波函数 经过平移和尺度伸缩得来的。 二、小波变换

鉴于最近一段时间一直在折腾的CNN网络效果不太理想，主要目标是为了检测出图像中的一些关键点，可以参考人脸的关键点检测算法。 但是由于从数据集的制作是自己完成的，所以数据集质量可能有待商榷，训练效果不好的原因可能也是因为数据集没有制作好（标点实在是太累了）。 于是想看看自己做的数据集在进入到网络后那些中间的隐藏层到底发生了哪些变化。 今天主要是用已经训练好的mnist模型来提前测试一下，这里的mnist模型的准确度已经达到了98%左右。 使用的比较简单的一个模型： def simple_cnn(): input_data = Input(shape=(28, 28, 1)) x = Con