墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
105平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
基于模板匹配的指纹识别门禁系统及Matlab源码
指纹识别门禁系统是一种常见的安全控制系统，通过识别个体的指纹信息来实现门禁控制。本文将介绍一种基于模板匹配的指纹识别门禁系统，并提供相应的Matlab源码实现。
指纹识别是一种生物特征识别技术，利用人体指纹的唯一性和稳定性来进行身份验证。在门禁系统中，指纹识别可以有效地防止非法进入和提供安全保障。基于模板匹配的指纹识别算法是指通过比较输入指纹与预先保存的指纹模板之间的相似度来进行识别的方法。
下面是一个基于Matlab的简单指纹识别门禁系统的示例代码：
% 指纹预处理
fingerprint = imread('fingerprint.jpg'); % 读取指纹图像
fingerprint = rgb2gray【指纹识别】基于模板匹配实现指纹识别门禁系统含Matlab源码
1 简介 近年来,随着识别技术和网络技术的飞速发展,门禁系统也得到了飞跃式的发展,出现了基于指纹识别的门禁系统.这种系统具有安全性,方便性和易管理性等特点,是确保各重要部门出入口安全的有效措施,现已广泛应用于各领域.本文的主要目的就是设计和实现一套具有核心指纹识别服务器,指纹识别服务器控制器,指纹识别服务器管理器和数据库的基于指纹识别的门禁系统.本文在指纹识别理论的基础上,以查阅资料为研究方法,首先对整个系统进行设计规划,完成用例设计,程序界面功能设计以及数据库设计,进而建立数据库和实现门禁系统软件的各种
基于模板匹配算法的指纹识别MATLAB源码
模板匹配算法是指纹识别中常用的一种方法，它通过将待识别指纹与已知指纹模板进行比较和匹配来实现识别的过程。在本篇文章中，我们将使用MATLAB编写基于模板匹配算法的指纹识别源码。需要注意的是，模板匹配算法在处理大规模的指纹数据库时可能会面临效率和准确性的挑战。因此，在实际应用中，可以考虑其他更高级的指纹识别算法，如基于特征匹配的算法或基于机器学习的算法。首先，我们需要准备一些指纹图像作为已知的指纹模板。希望本篇文章对于理解基于模板匹配算法的指纹识别有所帮助，并且能为读者提供一个起点来编写自己的指纹识别应用。
毕设题目：Matlab指纹识别
毕设题目：Matlab指纹识别 完整代码，方可直接运行，适合小白！可提供运行操作视频！
【MATLAB代码，多无人机路径规划6】基于RRT与动态窗口法（RRT+DWA）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于MATLAB实现四架无人机在二维动态障碍环境中的协同路径规划，采用RRT+DWA算法，支持参数自定义。通过对比RRT+APF与RRT+DWA的避障效果，可视化轨迹、净间隙、速度加速度及航程等，输出任务完成率与碰撞统计。代码可直接运行，订阅专栏后获取完整源码，支持定制与讲解。
【MATLAB代码】基于RRT与人工势场法（RRT+APF）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于RRT+APF算法实现多无人机动态路径规划与避障仿真，通过MATLAB完整代码可直接运行。对比传统APF方法，该方案在轨迹平滑性、安全净间隙及到达效率上表现更优。支持参数自定义，订阅专栏后可获取源码与定制服务，适用于科研与工程实践。
【MATLAB代码，无人机避障7】基于RRT*与人工势场法（RRT*+APF）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于RRT与人工势场法（APF）实现四架无人机在二维动态障碍环境中的协同路径规划与避障。通过RRT优化全局路径，结合APF进行局部避碰，支持参数自定义，提供完整MATLAB代码，可直接运行并生成轨迹、安全净间隙、速度加速度及航程等可视化结果，对比RRT+APF与RRT*+APF性能，适用于科研与教学。
基于MATLAB GUI的指纹识别系统设计与实现【含源码1353期】
指纹识别看似是冰冷的数学游戏，但真正优秀的系统，一定懂得尊重用户的每一次操作。图像加载失败？要有清晰提示而不是静默退出；处理太慢？请给出进度反馈而非“无响应”；匹配失败？不妨建议重新采集而非直接拒识。技术和人性从来不是对立的。当我们把每一个细节都做到极致，那种“滴一声就开门”的顺畅感，才是真正打动人心的力量。所以，下次当你按下指纹解锁手机时，不妨想一想：在这不到一秒的时间里，有多少算法在默默为你服务？👏🎯总结一下我们走过的路理解指纹生理基础。
【PMSM例程11】永磁同步电机（PMSM）基于UKF的转速与转子位置估计。附下载链接
本程序基于MATLAB构建永磁同步电机（PMSM）仿真模型，采用无迹卡尔曼滤波（UKF）实现电流、转速与电角度的联合估计。通过缩放无迹变换生成Sigma点，避免非线性线性化误差，并针对电角度周期性边界进行特殊处理。仿真验证了在转速变化工况下，UKF对状态变量的高精度估计能力，结果表明其在转速与角度跟踪、电流滤波及新息诊断方面表现优异，具备良好的鲁棒性与实用性，适用于非线性状态估计与电机控制研究。
cuda安装时出现错误 Unable to locate package cuda-toolkit-12-4
cuda安装时出现错误 Unable to locate package cuda-toolkit-12-4
低功耗和UPF介绍
参考[UPF]低功耗（Low Power Design）and UPF介紹
complier lab2
只需支持定义 main 函数即可不带参数 int main(){...}带参数 int main(int argc, int argv){...}
大模型量化技术全解析：从INT8到GPTQ/AWQ，降低部署成本实战指南
模型量化是一种通过降低神经网络权重和激活值的数据精度（如从FP16降至INT8/INT4），从而大幅减少模型内存占用和计算开销的核心模型压缩技术。其原理基于线性变换，将高精度浮点数映射到低精度整数表示，在硬件层面能利用专用低精度计算单元实现显著加速。这项技术的核心价值在于解决了大模型（如千亿参数LLM）部署时面临的高昂显存成本和推理延迟问题，使其能在消费级GPU和边缘设备上高效运行。当前，后训练量化（PTQ）因其无需重新训练的特性成为主流，衍生出GPTQ、AWQ、SmoothQuant等多种方法，广泛应用于
ESP32+ST7789 LCD屏实战：5分钟搞定中文显示与图片渲染（附完整代码）
本文提供了一份详细的ESP32驱动ST7789 LCD屏幕的实战指南。通过清晰的SPI硬件连接说明、ESP-IDF框架下的初始化代码，以及图片渲染与中文字库构建的核心算法，帮助开发者快速实现中文显示与图片渲染功能，并附有完整的代码示例和性能优化技巧。
【视频】GStreamer+WebRTC（九）：使用NVIDIA硬编解码
2）下载 GStreamer-bad 插件包源码注意要下载和 GStreamer版本对应的插件包3）下载NVIDIA硬编解码SDK最新的SDK下载地址注意 GStreamer 1.24.2 中调用的 NVIDIA Video_Codec_SDK 不是最新的，先使用下面的方法，查看gst-plugins-bad-1.24.2.tar.xz 对应的NVIDIA Video_Codec_SDK 的版本是多少。
YOLO11有效改进专栏目录
YOLO11改进专栏导航
【基于 CasADi 的欠驱动无人船实时非线性模型预测控制（NMPC）实现 Visual Studio 2022 C++】
本文介绍了基于CasADi和IPOPT在Visual Studio 2022 C++环境下实现的欠驱动无人船实时非线性模型预测控制(NMPC)方案。文章详细阐述了NMPC基本原理、欠驱动无人船动力学模型（包含状态变量和控制变量定义），并给出了C++实现的核心代码框架。该方案通过显式引入系统动力学模型和约束条件，在每个采样周期滚动优化控制序列，有效解决了欠驱动无人船的轨迹跟踪与避碰问题。文中还提供了VS2022配置CasADi环境的详细步骤，包括预编译包下载、工程属性设置等关键环节，为工程实现提供了完整的技术
怀旧版电脑GBC模拟器
再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
855
扫一扫
