% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。 % 利用留出法完成训练集与测试集的划分（比例2：1）， % 并使用夹角余弦、距离进行多分类，给出分类准确率。 %% 设置参数 clc; clear; close all; path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景'; path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2'; ObjDir1='\airport_inside'; ObjDir2='\bakery'; ObjDir3='\bathroom'; ObjDir4='\bedroom'; a=2; %留出法划分次数 %% 读取指定路径下单个文件夹所有图像 %% 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将机场作为样本1，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; %% 读取面包房的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将面包房作为样本2，给出训练样本的标签Xlabel XLable=2*ones(img_num,1); phi2=[phi2 XLable]; %% 读取卧室的图片并处理 cd ([path1,ObjDir3]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi3=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi3(pn,:)=double(reshape(Image,1,[])); end % 将浴室作为样本3，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi3=[phi3 XLable]; %% 读取浴室的图片并处理 cd ([path1,ObjDir4]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi4=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 % I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi4(pn,:)=double(reshape(Image,1,[])); end % 将卧室作为样本4，给出训练样本的标签Xlabel XLable=zeros(img_num,1); phi4=[phi4 XLable]; %% 列拼接四个矩阵并归一化 phi=[phi1; phi2; phi3; phi4]; % 矩阵归一化 phihead=phi(:,1:end-1); [phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 % phi(1:end-1,:)为除标签栏(最后一列）之外归一化 phi=[phihead,phi(:,end)]; %% 留出法划分互斥的训练集和测试集 % 二维数组a次二划分 for i=1:a % 划分训练集和测试集比例(2:1划分） b=randperm(length(phi(:,1))); %打乱列序列 e=round(length(phi(:,1))*2/3); c=b(1:e); %取打乱序列的前60% d=b(e+1:end); %取打乱序列的后40% %end直到数组结尾atrain=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60% atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行 Xtrain{1,i}=atrain; %保存在train的(1,1)cell Xtest{1,i}=atest; end %% 保存a次二划分的数据集 save ('Xtrain.mat','Xtrain'); save ('Xtest.mat','Xtest'); save('A.mat','a'); % 读取a次二划分 clear; clc load Xtrain.mat load Xtest.mat load A.mat %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 % {}为元胞数组 btrain=Xtrain{1,i}; %读取保存在train的(1,1)cell btest=Xtest{1,i}; tempdis=-inf; tempj=0; Xlable{1,i}=zeros(1,size(btest,1)); count=0; % 记录夹角余弦的错误个数 flag=0; % 记录欧式距离的错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{1,i}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); res1=train{1,1}(1,end); res2=train{1,1}(1,end); % 计算两者之间的欧式距离 distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和 if(distance1tempdis) %余弦值越接近1，两个向量越相似 tempdis=distance; tempj=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res2=train{1,k}(1,end); end end ress1(j)=res1; % 计算欧式距离的错误个数 if(res1~=Xlable{1,i}(j)) flag=flag+1; end ress2(j)=res2; % 计算夹角余弦的错误个数 if(res2~=Xlable{1,i}(j)) count=count+1; end end % 计算每个测试集的准确率 rateture(i)=1-flag/size(btest,1); % 欧式距离 rateture2(i)=1-count/size(btest,1); % 夹角余弦 % sprintf('正确率为：%.2f',rateture) end %% 计算a次划分的准确率均值 meanture=mean(rateture(:)); meanture2=mean(rateture2(:)); sprintf('十次留出法划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f',meanture,meanture2)

% 1.将MIT室内场景数据库中机场、面包房、卧室、浴室作为四个类别。 % 利用交叉验证法完成训练集与测试集的划分（比例2：1）， % 并使用夹角余弦、距离进行多分类，给出分类准确率。 %% 设置参数 clc; clear; close all; path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景'; path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2'; ObjDir1='\airport_inside'; ObjDir2='\bakery'; ObjDir3='\bathroom'; ObjDir4='\bedroom'; a=10; %留出法划分次数 b=10; %b折交叉验证 %% 读取指定路径下单个文件夹所有图像 %% 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将机场作为样本1，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; %% 读取面包房的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将面包房作为样本2，给出训练样本的标签Xlabel XLable=2*ones(img_num,1); phi2=[phi2 XLable]; %% 读取卧室的图片并处理 cd ([path1,ObjDir3]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi3=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi3(pn,:)=double(reshape(Image,1,[])); end % 将浴室作为样本3，给出训练样本的标签Xlabel XLable=3*ones(img_num,1); phi3=[phi3 XLable]; %% 读取浴室的图片并处理 cd ([path1,ObjDir4]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi4=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 % I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi4(pn,:)=double(reshape(Image,1,[])); end % 将卧室作为样本4，给出训练样本的标签Xlabel XLable=4*ones(img_num,1); phi4=[phi4 XLable]; %% 列拼接四个矩阵并归一化 phi=[phi1; phi2; phi3; phi4]; % % 矩阵归一化 % phihead=phi(:,1:end-1); % [phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 % % phi(1:end-1,:)为除标签栏(最后一列）之外归一化 % phi=[phihead,phi(:,end)]; %% 交叉验证法划分互斥的训练集和测试集 % 二维数组a次b折交叉验证 for i=1:a % 参考函数crossvalind（https://ww2.mathworks.cn/help/bioinfo/ref/crossvalind.html） % meas和indices两个数据集，分别为原始的数据集和他们的标签。 % 每一行是一个样本数据 % 用交叉验证函数做b次交叉验证，将标签均分成b份，每一份打上不同的记号，记号为一个正整数 % 得到样本被不同的数打标签，同样的数就是一份，一共是b份 indices = crossvalind('Kfold',phi(:,end),b); % 对标签集进行分析,参考函数classperf（https://www.cnblogs.com/york-hust/p/3962270.html） % https://www.mathworks.com/help/bioinfo/ref/classperf.html cp = classperf(phi(:,end)); for j=1:b %十次循环，每一次取其中一份作为测试集，其余的做训练集 ctest = (indices == j); % 获得test集元素在数据集中对应的单元编号 ctrain = ~ctest; % train集元素的编号为非test元素的编号 % Xtrain{i,j}=ctrain; % 这个会造成Xtrain只有一列 %保存在train的(1,1)cell Xtrain{i,j}=phi(ctrain,:); % 从数据集中划分出train样本的数据 % Xtest{i,j}=ctest; Xtest{i,j}=phi(ctest,:); end end %% 保存a次二划分的数据集 save ('Xtrain.mat','Xtrain'); save ('Xtest.mat','Xtest'); save('A.mat','a'); save('B.mat','b'); % 读取a次二划分 clear; clc load Xtrain.mat load Xtest.mat load A.mat load B.mat %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 for g=1:b % {}为元胞数组 btrain=Xtrain{i,g}; %读取保存在train的(1,1)cell btest=Xtest{i,g}; tempdis=-inf; tempj=0; Xlable{i,g}=zeros(1,size(btest,1)); count=0; % 记录夹角余弦的错误个数 flag=0; % 记录欧式距离的错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{i,g}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); res1=train{1,1}(1,end); res2=train{1,1}(1,end); % 计算两者之间的欧式距离 distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和 if(distance1tempdis) %余弦值越接近1，两个向量越相似 tempdis=distance; tempj=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res2=train{1,k}(1,end); end end ress1(j)=res1; % 计算欧式距离的错误个数 if(res1~=Xlable{i,g}(j)) flag=flag+1; end ress2(j)=res2; % 计算夹角余弦的错误个数 if(res2~=Xlable{i,g}(j)) count=count+1; end end % 计算每个测试集的准确率 rateture0(g)=1-flag/size(btest,1); % 欧式距离 rateture02(g)=1-count/size(btest,1); % 夹角余弦 % sprintf('正确率为：%.2f',rateture) end rateture(i)=mean(rateture0(:)); rateture2(i)=mean(rateture02(:)); end %% 计算a次划分的准确率均值 meanture=mean(rateture(:)); meanture2=mean(rateture2(:)); sprintf('十次十折交换验证划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f',meanture,meanture2)

% 4.对训练集和测试集添加椒盐噪声， % 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度， % 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。 %% 设置参数 clc; clear; close all; warning('off') %关掉警告 path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景'; path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2'; ObjDir1='\airport_inside'; ObjDir2='\bakery'; ObjDir3='\bathroom'; ObjDir4='\bedroom'; a=1; %留出法划分次数 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声 dture1=zeros(7,1); dture2=zeros(7,1); %% 读取指定路径下单个文件夹所有图像 %% 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将机场作为样本1，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; %% 读取面包房的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将面包房作为样本2，给出训练样本的标签Xlabel XLable=2*ones(img_num,1); phi2=[phi2 XLable]; %% 读取卧室的图片并处理 cd ([path1,ObjDir3]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi3=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi3(pn,:)=double(reshape(Image,1,[])); end % 将浴室作为样本3，给出训练样本的标签Xlabel XLable=3*ones(img_num,1); phi3=[phi3 XLable]; %% 读取浴室的图片并处理 cd ([path1,ObjDir4]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi4=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 % I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi4(pn,:)=double(reshape(Image,1,[])); end % 将卧室作为样本4，给出训练样本的标签Xlabel XLable=4*ones(img_num,1); phi4=[phi4 XLable]; %% 列拼接四个矩阵并保存 phi0=[phi1; phi2; phi3; phi4]; %% 7种椒盐噪声 for m=1:7 %注意是从1开始 phi=phi0; noise=d0(m) %% 矩阵加入椒盐噪声并归一化 % 矩阵归一化 phihead=phi(:,1:end-1); phihead=imnoise(phihead,'salt & pepper',noise); %加入噪声密度：d的椒盐噪声 % [phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 % phi(1:end-1,:)为除标签栏(最后一列）之外归一化 phi=[phihead,phi(:,end)]; %% 留出法划分互斥的训练集和测试集 % 二维数组a次二划分 for i=1:a % 划分训练集和测试集比例(2:1划分） b=randperm(length(phi(:,1))); %打乱列序列 e=round(length(phi(:,1))*2/3); c=b(1:e); %取打乱序列的前60% d=b(e+1:end); %取打乱序列的后40% %end直到数组结尾atrain=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60% atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行 Xtrain{1,i}=atrain; %保存在train的(1,1)cell Xtest{1,i}=atest; end %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 % {}为元胞数组 btrain=Xtrain{1,i}; %读取保存在train的(1,1)cell btest=Xtest{1,i}; tempdis1=inf; tempdis2=-inf; tempj1=0; tempj2=0; Xlable{1,i}=zeros(1,size(btest,1)); count=0; % 记录夹角余弦的错误个数 flag=0; % 记录欧式距离的错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{1,i}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); res1=train{1,1}(1,end); res2=train{1,1}(1,end); % 计算两者之间的欧式距离 distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和 if(distance1tempdis2) %余弦值越接近1，两个向量越相似 tempdis2=distance; tempj2=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res2=train{1,k}(1,end); end end ress1(j)=res1; % 计算欧式距离的错误个数 if(res1~=Xlable{1,i}(j)) flag=flag+1; end ress2(j)=res2; % 计算夹角余弦的错误个数 if(res2~=Xlable{1,i}(j)) count=count+1; end end % 计算每个测试集的准确率 rateture(i)=1-flag/size(btest,1); % 欧式距离 rateture2(i)=1-count/size(btest,1); % 夹角余弦 % sprintf('正确率为：%.2f',rateture) end %% 计算a次划分的准确率均值 %% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度 meanture=mean(rateture(:)); meanture2=mean(rateture2(:)); sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f\n',noise,meanture,meanture2) dture1(m)=meanture; dture2(m)=meanture2; end %% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响 x = d; y1 = dture1; y2 = dture2; % x = [0.01 0.1 0.2 0.5 0.6 0.8 1]; y1 = [98 97 87 86 88 91 94]; % y2 = [95 95 95 95 95 95 95]; % 新建图画，若figure(1)即指定图画句柄1 f1 = figure(1); % 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊 set(gcf,'unit','centimeters','position',[10 5 14 7]); % 设置布画背景色 set(gcf,'Color',[0.9 0.9 0.9]); plot(x,y1,'--ob') hold on plot(x,y2,':*g') axis([0 1 0 100]) % 设置坐标格 grid on; % 批量设置曲线粗细 set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2); set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]); set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'}); % 设置字体格式 set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17); ylabel('分类精度','fontsize',17); legend('欧氏距离','夹角余弦') title('精度曲线图');

% 3.对测试集添加椒盐噪声， % 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度， % 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。 %% 设置参数 clc; clear; close all; warning('off') %关掉警告 path='D:\Desktop\大三上\神经网络\实验三\数据\MIT室内场景'; path1='D:\Desktop\大三上\神经网络\实验四\MIT室内场景2'; ObjDir1='\airport_inside'; ObjDir2='\bakery'; ObjDir3='\bathroom'; ObjDir4='\bedroom'; a=10; %留出法划分次数 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声 dture1=zeros(7,1); dture2=zeros(7,1); %% 读取指定路径下单个文件夹所有图像 %% 读取机场的图片并处理 cd ([path,ObjDir1]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi1=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi1 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi1(pn,:)=double(reshape(Image,1,[])); end % 将机场作为样本1，给出训练样本的标签Xlabel XLable=ones(img_num,1); phi1=[phi1 XLable]; %% 读取面包房的图片并处理 cd ([path,ObjDir2]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi2=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi2(pn,:)=double(reshape(Image,1,[])); end % 将面包房作为样本2，给出训练样本的标签Xlabel XLable=2*ones(img_num,1); phi2=[phi2 XLable]; %% 读取卧室的图片并处理 cd ([path1,ObjDir3]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi3=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi3 image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 I1=rgb2gray(img_origin); % RGB图像转灰度图像 Image=imresize(I1,[64,64]); phi3(pn,:)=double(reshape(Image,1,[])); end % 将浴室作为样本3，给出训练样本的标签Xlabel XLable=3*ones(img_num,1); phi3=[phi3 XLable]; %% 读取浴室的图片并处理 cd ([path1,ObjDir4]); %切换到指定路径下 allfigs=struct2cell(dir('*.jpg')); %只处理jpg文件 [w,img_num]=size(allfigs); %获得文件的个数 phi4=zeros(img_num,64*64); for pn=1:img_num %逐次取出图片 % 将图像数据保存于phi image_name=allfigs{1,pn}; %allfigs{1，pn}存储每个图片的名字 img_origin=imread(image_name); %读取图片 if(ndims(img_origin)==3) I1=rgb2gray(img_origin); % RGB图像转灰度图像 end Image=imresize(I1,[64,64]); phi4(pn,:)=double(reshape(Image,1,[])); end % 将卧室作为样本4，给出训练样本的标签Xlabel XLable=4*ones(img_num,1); phi4=[phi4 XLable]; %% 列拼接四个矩阵并保存 phi0=[phi1; phi2; phi3; phi4]; %% 7种椒盐噪声 for m=1:7 %注意是从1开始 phi=phi0; noise=d0(m) %% 留出法划分互斥的训练集和测试集 % 二维数组a次二划分 for i=1:a % 划分训练集和测试集比例(2:1划分） b=randperm(length(phi(:,1))); %打乱列序列 e=round(length(phi(:,1))*2/3); c=b(1:e); %取打乱序列的前60% d=b(e+1:end); %取打乱序列的后40% %end直到数组结尾% 划分 atrain0=phi(c,:); %(:,:)为取原矩阵行和列，(:,1:50)为取原矩阵列，行取前60% phihead0=atrain0(:,1:end-1); % 加入椒盐噪声 phihead0=imnoise(phihead0,'salt & pepper',noise); %加入噪声密度：d的椒盐噪声 phi(c,1:end-1)=phihead0; % 归一化 %phihead=phi(:,1:end-1); %[phihead,PS]=mapminmax(phihead); %[phi,PS]中phi为归一化后数值，PS为一种对应关系 %% phi(1:nd-1,:)为除标签栏(最后一列）之外归一化atest=phi(d,:); %(:,d)为取原矩阵列，行取随机40%的行 atrain=phi(c,:); Xtrain{1,i}=atrain; %保存在train的(1,1)cell Xtest{1,i}=atest; end %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 for i=1:a % a为二划分次数 % {}为元胞数组 btrain=Xtrain{1,i}; %读取保存在train的(1,1)cell btest=Xtest{1,i}; tempdis1=-inf; tempdis2=-inf; tempj1=0; tempj2=0; Xlable{1,i}=zeros(1,size(btest,1)); count=0; % 记录夹角余弦的错误个数 flag=0; % 记录欧式距离的错误个数 for j=1:size(btest,1) % 测试集的几行数据逐一进行比对 test{1,j}=ones(size(btest,2),1); % size(A,2)得到A的列数 test{1,j}=btest(j,:); Xlable{1,i}(j)=test{1,j}(1,end); % 读取测试集标签 for k=1:size(btrain,1) % 分别与训练集的几行数据一一比对 train{1,k}=ones(size(btrain,2),1); train{1,k}=btrain(k,:); res1=train{1,1}(1,end); res2=train{1,1}(1,end); % 计算两者之间的欧式距离 distance1=sqrt(sum(abs(test{1,j}-train{1,k})).^2); %sum(x.^2)计算数组的平方和 if(distance1tempdis2) %余弦值越接近1，两个向量越相似 tempdis2=distance; tempj2=k; % 如果距离最大则判断为同一类型 % test{1,j}(1,end)=train{1,k}(1,end); % 将夹角余弦最短的训练集标签赋值给测试集 res2=train{1,k}(1,end); end end ress1(j)=res1; % 计算欧式距离的错误个数 if(res1~=Xlable{1,i}(j)) flag=flag+1; end ress2(j)=res2; % 计算夹角余弦的错误个数 if(res2~=Xlable{1,i}(j)) count=count+1; end end % 计算每个测试集的准确率 rateture(i)=1-flag/size(btest,1); % 欧式距离 ratetre2(i)=1-count/size(btest,1); % 夹角余弦 % sprintf('正确率为：%.2f',rateture) end %% 计算a次划分的准确率均值 %% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度 meanture=mean(rateture(:)); meanture2=mean(rateture2(:)); sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f\n',noise,meanture,meanture2) dture1(m)=meanture; dture2(m)=meanture2; end %% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响 x = d0; y1 = dture1; y2 = dture2; % x = [0.01 0.1 0.2 0.5 0.6 0.8 1]; y1 = [98 97 87 86 88 91 94]; % y2 = [95 95 95 95 95 95 95]; % 新建图画，若figure(1)即指定图画句柄1 f1 = figure(1); % 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊 set(gcf,'unit','centimeters','position',[10 5 14 7]); % 设置布画背景色 set(gcf,'Color',[0.9 0.9 0.9]); plot(d0,y1,'--ob') hold on plot(d0,y2,':*g') axis([0 1 0 1]) % 设置坐标格 grid on; % 批量设置曲线粗细 set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2); set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]); set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'}); % 设置字体格式 set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17); ylabel('分类精度','fontsize',17); legend('欧氏距离','夹角余弦') title('精度曲线图');

% ##改进版## 4.对训练集和测试集添加椒盐噪声， % 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度， % 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。 %% 设置参数 clc; clear; close all; warning('off') %关掉警告 base_path = 'D:\Desktop\大三上\神经网络\数据\MIT室内场景'; path = string(); subpath = dir( base_path ); a=10; %留出法次数 %% 读取指定路径单文件夹下，all文件夹内的all图像 all_imgnum=0; all_e=0; all_f=0; for i = 1:length(subpath)-2 % 读取单文件夹下，all文件夹% 1,2分别是.和..% 先获取第一个子文件路径，然后获取第二个子文件路径 sub_path = fullfile(base_path, subpath(i+2).name); % disp(sub_path); % D:\Desktop\大三上\神经网络\数据\MIT室内场景\airport_inside image_name = dir(sub_path); % 获取文件夹里的所有图像信息% disp(image_name(3).name); % airport_inside_0001.jpg img_num=length(image_name)-2; % 文件夹里图像个数% disp(img_num); % 608 405 197 662 all_imgnum=all_imgnum+img_num; % disp(all_imgnum); % 608 1013 1210 1872 e=round(img_num*2/3); % 留出法划分比例 f=img_num-e; all_e=all_e+e; all_f=all_f+f; %% 获取图片数据 for j = 1:img_num % 获取子文件夹下图片的路径 % fullfile函数利用文件各部分信息创建并合成完整文件名 img_path = fullfile(sub_path, image_name(j+2).name); % 子文件夹+图片名称 read_img = imread(img_path); % 读图 if(ndims(read_img)==3) read_img = rgb2gray(read_img); % RGB图像转灰度图像 end image = imresize(read_img, [64,64]); % 图片统一大小，指定长宽[64,64] phi_cell{1,all_imgnum-img_num+j}=image; % 存放每个图片data于元胞数组phi_cell，一个元胞存放一个图像 end %% 留出法a次二划分互斥的训练集和测试集 数据 for k=1:a % 划分训练集和测试集比例(2:1划分） num=randperm(img_num); %打乱列序列 train_num=num(1:e); %取打乱序列的前60% test_num=num(e+1:end); %取打乱序列的后40% %end直到数组结尾 % 划分数据 for ai=1:length(train_num) Xtrain{all_e-e+ai,k}=phi_cell{1,all_imgnum-img_num+train_num(ai)}; %Xtrain{k,:}第k次留出法的训练集 end for bi=1:length(test_num) Xtest{all_f-f+bi,k}=phi_cell{1,all_imgnum-img_num+test_num(bi)}; end end %% 存放图片label于矩阵phi_label % 定义标签，1:机场; 2:面包房; 3:bathroom; 4:bedrood % phi_label(1,all_imgnum-img_num+1:all_imgnum)=label*ones(1,img_num); % 行拼接每个标签给对应的图片个数拼成一行 % Ltrain=phi_label(1,train_num); Ltrain(1,all_e-e+1:all_e)=i*ones(1,e); % 行拼接每个标签给对应的图片个数拼成一行 Ltest(1,all_f-f+1:all_f)=i*ones(1,f); end %% 7种椒盐噪声 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声 size_d0=size(d0); b=size(Xtest); %62510 b0=size(Xtrain); noise_Xtest=cell(size_d0(2),b(2)); noise_Xtrain=cell(size_d0(2),b0(2)); for m=1:size_d0(2) %注意是从1开始 noise=d0(m); %% 对测试集图片加入椒盐噪声 for a = 1:b(2) for c = 1:b(1) img = Xtest{c,a}; img2 = imnoise(img,'salt & pepper',noise); phi0(c,:)=double(reshape(img2,1,[])); end for d = 1:b0(1) img1=Xtrain{d,a}; img3 = imnoise(img1,'salt & pepper',noise); phi1(d,:)=double(reshape(img3,1,[])); end noise_Xtest{m,a}=phi0; noise_Xtrain{m,a}=phi1; end end %% 保存划分后的数据集 save('noise_Xtrain.mat','noise_Xtrain'); % 存数据 save ('noise_Xtest.mat','noise_Xtest'); save('Ltrain.mat','Ltrain'); % 存标签 save('Ltest.mat','Ltest'); %% 读取数据集 %clear; clc load noise_Xtrain.mat load noise_Xtest.mat load Ltrain.mat load Ltest.mat %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; size_d0=size(d0); % rateture0 = zeros(1,b(2)); rateture1 = zeros(1,b(2)); meanture0=zeros(1,size_d0(2)); meanture1=zeros(1,size_d0(2)); for m=1:size_d0(2) % 7种噪声 noise=d0(m) for a = 1:b(2) % 10次划分 res = ones(1,length(Ltest)); % 保存预测值 for k = 1:length(Ltest) % 对每一个测试集，计算内积（夹角余弦） test_d = noise_Xtest{m,a}(k,:); % 提取测试数据 tmp_res0 = ones(length(Ltrain),1); % 临时保存一个测试对应的所有的训练的夹角余弦 tmp_res1 = ones(length(Ltrain),1); % 欧氏距离 for p = 1:length(Ltrain) train_d = noise_Xtrain{m,a}(p,:); % 提取训练数据 tmp_res0(p)= sqrt(sum(abs(train_d-test_d)).^2); %sum(x.^2)计算数组的平方和 tmp_res1(p)= sum(train_d.*test_d)/norm(test_d)/norm(train_d); % 求夹角余弦 end [n0,index0] = max(tmp_res0); [n1,index1] = max(tmp_res1); res0(k) = Ltrain(index0); % 将每一个测试集预测的结果保存在res里 res1(k) = Ltrain(index1); end % 求正确率、错误率 count = 0; flag = 1; for i = 1:length(res0) if( res0(i)==Ltest(i) ) count = count + 1; end if( res1(i)==Ltest(i) ) flag = flag + 1; end end % 计算每个测试集的准确率 rateture0(a) = count/length(res0); % 欧式距离 rateture1(a) = flag/length(res1); % 夹角余弦 end %% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度 meanture0(m) = mean(rateture0(:)) * 100; meanture1(m) = mean(rateture1(:)) * 100; sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f\n',noise,meanture0(m),meanture1(m)) end %% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响 x = d0; y1 = meanture0; y2 = meanture1; % x = [0.01 0.1 0.2 0.5 0.6 0.8 1]; y1 = [98 97 87 86 88 91 94]; % y2 = [95 95 95 95 95 95 95]; % 新建图画，若figure(1)即指定图画句柄1 f1 = figure(1); % 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊 set(gcf,'unit','centimeters','position',[10 5 14 7]); % 设置布画背景色 set(gcf,'Color',[0.9 0.9 0.9]); plot(x,y1,'--ob') hold on plot(x,y2,':*g') axis([0 1 0 1]) % 设置坐标格 grid on; % 批量设置曲线粗细 set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2); set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]); set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'}); % 设置字体格式 set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17); ylabel('分类精度','fontsize',17); legend('欧氏距离','夹角余弦') title('精度曲线图');

% ##改进版## 3.对测试集添加椒盐噪声， % 记录当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度， % 并画出精度曲线图，通过曲线图分析噪声对两种方法的影响。 %% 设置参数 clc; clear; close all; warning('off') %关掉警告 base_path = 'D:\Desktop\大三上\神经网络\数据\MIT室内场景'; path = string(); subpath = dir( base_path ); a=10; %留出法次数 %% 读取指定路径单文件夹下，all文件夹内的all图像 all_imgnum=0; all_e=0; all_f=0; for i = 1:length(subpath)-2 % 读取单文件夹下，all文件夹% 1,2分别是.和..% 先获取第一个子文件路径，然后获取第二个子文件路径 sub_path = fullfile(base_path, subpath(i+2).name); % disp(sub_path); % D:\Desktop\大三上\神经网络\数据\MIT室内场景\airport_inside image_name = dir(sub_path); % 获取文件夹里的所有图像信息% disp(image_name(3).name); % airport_inside_0001.jpg img_num=length(image_name)-2; % 文件夹里图像个数% disp(img_num); % 608 405 197 662 all_imgnum=all_imgnum+img_num; % disp(all_imgnum); % 608 1013 1210 1872 e=round(img_num*2/3); % 留出法划分比例 f=img_num-e; all_e=all_e+e; all_f=all_f+f; %% 获取图片数据 for j = 1:img_num % 获取子文件夹下图片的路径 % fullfile函数利用文件各部分信息创建并合成完整文件名 img_path = fullfile(sub_path, image_name(j+2).name); % 子文件夹+图片名称 read_img = imread(img_path); % 读图 if(ndims(read_img)==3) read_img = rgb2gray(read_img); % RGB图像转灰度图像 end image = imresize(read_img, [64,64]); % 图片统一大小，指定长宽[64,64] phi_cell{1,all_imgnum-img_num+j}=image; % 存放每个图片data于元胞数组phi_cell，一个元胞存放一个图像 end %% 留出法a次二划分互斥的训练集和测试集 数据 for k=1:a % 划分训练集和测试集比例(2:1划分） num=randperm(img_num); %打乱列序列 train_num=num(1:e); %取打乱序列的前60% test_num=num(e+1:end); %取打乱序列的后40% %end直到数组结尾 % 划分数据 for ai=1:length(train_num) Xtrain{all_e-e+ai,k}=phi_cell{1,all_imgnum-img_num+train_num(ai)}; %Xtrain{k,:}第k次留出法的训练集 end for bi=1:length(test_num) Xtest{all_f-f+bi,k}=phi_cell{1,all_imgnum-img_num+test_num(bi)}; end end %% 存放图片label于矩阵phi_label % 定义标签，1:机场; 2:面包房; 3:bathroom; 4:bedrood % phi_label(1,all_imgnum-img_num+1:all_imgnum)=label*ones(1,img_num); % 行拼接每个标签给对应的图片个数拼成一行 % Ltrain=phi_label(1,train_num); Ltrain(1,all_e-e+1:all_e)=i*ones(1,e); % 行拼接每个标签给对应的图片个数拼成一行 Ltest(1,all_f-f+1:all_f)=i*ones(1,f); end %% 7种椒盐噪声 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; %椒盐噪声 size_d0=size(d0); b=size(Xtest); %62510 b0=size(Xtrain); noise_Xtest=cell(size_d0(2),b(2)); Xtrain1=cell(1,b0(2)); for m=1:size_d0(2) %注意是从1开始 noise=d0(m); %% 对测试集图片加入椒盐噪声 for a = 1:b(2) for c = 1:b(1) img = Xtest{c,a}; img2 = imnoise(img,'salt & pepper',noise); phi0(c,:)=double(reshape(img2,1,[])); end for d = 1:b0(1) img1=Xtrain{d,a}; phi1(d,:)=double(reshape(img1,1,[])); end noise_Xtest{m,a}=phi0; Xtrain1{1,a}=phi1; end end %% 保存划分后的数据集 save('Xtrain1.mat','Xtrain1'); % 存数据 save ('noise_Xtest.mat','noise_Xtest'); save('Ltrain.mat','Ltrain'); % 存标签 save('Ltest.mat','Ltest'); %% 读取数据集 %clear; clc load Xtrain1.mat load noise_Xtest.mat load Ltrain.mat load Ltest.mat %% 夹角余弦和欧式距离判断测试集和哪个训练集最相似，然后把该训练集的标签给该测试集 d0=[0.01 0.1 0.2 0.5 0.6 0.8 1]; size_d0=size(d0); % rateture0 = zeros(1,b(2)); rateture1 = zeros(1,b(2)); meanture0=zeros(1,size_d0(2)); meanture1=zeros(1,size_d0(2)); for m=1:size_d0(2) % 7种噪声 noise=d0(m) for a = 1:b(2) % 10次划分 res = ones(1,length(Ltest)); % 保存预测值 for k = 1:length(Ltest) % 对每一个测试集，计算内积（夹角余弦） test_d = noise_Xtest{m,a}(k,:); % 提取测试数据 tmp_res0 = ones(length(Ltrain),1); % 临时保存一个测试对应的所有的训练的夹角余弦 tmp_res1 = ones(length(Ltrain),1); % 欧氏距离 for p = 1:length(Ltrain) train_d = Xtrain1{1,a}(p,:); % 提取训练数据 tmp_res0(p)= sqrt(sum(abs(train_d-test_d)).^2); %sum(x.^2)计算数组的平方和 tmp_res1(p)= sum(train_d.*test_d)/norm(test_d)/norm(train_d); % 求夹角余弦 end [n0,index0] = max(tmp_res0); [n1,index1] = max(tmp_res1); res0(k) = Ltrain(index0); % 将每一个测试集预测的结果保存在res里 res1(k) = Ltrain(index1); end % 求正确率、错误率 count = 0; flag = 1; for i = 1:length(res0) if( res0(i)==Ltest(i) ) count = count + 1; end if( res1(i)==Ltest(i) ) flag = flag + 1; end end % 计算每个测试集的准确率 rateture0(a) = count/length(res0); % 欧式距离 rateture1(a) = flag/length(res1); % 夹角余弦 end %% 计算当噪声密度d取0，0.01，0.05，0.1，0.2，0.5，0.8，1时的分类精度 meanture0(m) = mean(rateture0(:)) * 100; meanture1(m) = mean(rateture1(:)) * 100; sprintf('当噪声密度为%.2f时，十次留出法划分得到 欧式距离的正确率为：%.2f夹角余弦的正确率为：%.2f\n',noise,meanture0(m),meanture1(m)) end %% 画出精度曲线图，通过曲线图分析噪声对两种方法的影响 x = d0; y1 = meanture0; y2 = meanture1; % x = [0.01 0.1 0.2 0.5 0.6 0.8 1]; y1 = [98 97 87 86 88 91 94]; % y2 = [95 95 95 95 95 95 95]; % 新建图画，若figure(1)即指定图画句柄1 f1 = figure(1); % 设置布画大小，合适的大小可防止粘贴到word文档时图片模糊 set(gcf,'unit','centimeters','position',[10 5 14 7]); % 设置布画背景色 set(gcf,'Color',[0.9 0.9 0.9]); plot(x,y1,'--ob') hold on plot(x,y2,':*g') axis([0 1 0 1]) % 设置坐标格 grid on; % 批量设置曲线粗细 set(findobj(get(gca,'Children'),'LineWidth',0.5),'LineWidth',2); set(gca,'XTick', [0.01 0.1 0.2 0.5 0.6 0.8 1]); set(gca,'XTickLabel',{'0.01','0.1','0.2','0.5','0.6','0.8','1'}); % 设置字体格式 set(gca,'FontSize',15); xlabel('噪声密度','fontsize',17); ylabel('分类精度','fontsize',17); legend('欧氏距离','夹角余弦') title('精度曲线图');

推荐阅读

• 

  二月早熟三月李
• 

  天然气壁挂炉出现e03是什么意思 八喜壁挂炉不点火03e
• 

  三国群英传8单手武器有哪些 单手剑武器属性大全 基本武器
• 

  鹿港小镇是什么菜系 鹿港小镇属于什么菜系
• 

  更年期到来？ 女性更年期3大症状和5个缓解方法
• 

  小学生开学扎什么头发
• 

  女性月经安全期的叫法是真是假 女人的月经安全期
• 

  mysql数据库日期格式 mysql数据库日期更新
• 

  孙伟杰
• 

  丰田雷凌闪烁是什么原因导致的
• 

  孕29周饭量如何把握
• 

  养花之后，才发现塑料瓶是“养花神器”，这样做可以省下不少钱
• 

  有哪些好听的情侣网名？
• 

  汽车放电电流多少正常 汽车放电电流多少正常啊
• 

  iOS|iOS - runtime实现“防止button被重复点击”的背后
• 

  李子如何酿酒好喝 李子如何酿酒，李子如何酿酒视频
• 

  大金立式空调显示e4出现的问题及4种故障原因说明,想过这些方面的原因吗？
• 

  深圳市招聘信息最新招聘，深圳招工信息
• 

  天叶怎么分辨真假鉴别
• 

  感冒咳嗽什么不能吃 感冒咳嗽吃什么好

• 图像识别|图像识别1（基于相似性度量的二分类实验）
• 随机森林 | GBDT | XGBOOST | LightGBM 比较
• 单片机|（3）下位机部分-水下管道智能巡检-方案STM32+树梅派+python+opencv—水下机器人
• machine|GridSearchCV调参方法
• 计算机视觉|Anomaly Detection 异常检测之 CSI（Contrasting shifted instances论文解读）
• 机器学习|Python实现词云舞
• python相关学习|用python批量修改图片名称！超级简单
• 编程语言大杂烩|Python批量改变图片名字
• 当人工智能遇上安全|[当人工智能遇上安全] 2.清华张超老师 - GreyOne: Discover Vulnerabilities with Data Flow Sensitive Fuzzing