omp算法matlab代码OBD数据分析 MATLAB项目旨在分析从多个驾驶会话中收集的数据，以建立能够识别不同驾驶条件的分类器。 该存储库包含我用来对从多个驾驶会话中收集到的数据进行分析的所有文件。 数据涉及速度和RPM（每分钟转数）。 为了收集它们，我开发了应用程序OBDConnection，其代码可以在我的GitHub页面上找到（它基本上是通过OBD II蓝牙适配器在智能手机和汽车之间建立蓝牙连接）。 分析目标是推断有关各种驾驶会话的驾驶状况的一些信息。 特别要指出的是，他们选择了哪种道路，例如高速公路，城外，城市（城内）。 刚开始时，我还想推断出谁是每个会话的驱动程序，但是在编写了一些预处理代码（包含在OBDDataAnalysis \ Old_DriverRecognition文件夹中）之后，我决定专注于一个简单的问题。 MATLAB项目包含在OBDDataAnalysis \ project中，而所有其他文件夹包含测量的数据（分为会话）。 在项目文件夹中，您可以找到所有.m文件。 特别是： •“ OrganizeCollectedData.m”包含用于读取收集的数据并将其保

5 channels of data + 1 channel of clock for LVDS data transmission and reception

IC测试数据提取整理工具，支持STDF V4原始log，支持将stdf/M2 log 转为galaxychip标准格式CSV，等等

本地环境：CentOS 7 + HDFS（dfs-node01，dfs-node02） 数据分析 数据源：gps.scv 数据分类描述：VehicleId：出租车标识符时间：数据收集时间经度：经度纬度：纬度速度：速度方向：方向，与正北方向夹角乘客状态：载客情况，1为载客，0为空车 运行效果 806404129594 2010-09-02 09:22:57 118.767583 32.085087999999999 2 0 1 806404129594 2010-09-02 09:23:09 118.767588 32.085116999999997 0 0 1 806404129594 2010-09-02 09:23:22 118.767633 32.085307 15 32 1 806404129594 2010-09-02 09:23:32 118.76846 32.08551

原版Python for Data Analysis 2nd Edition（源代码+数据+高清新版）（是新的python3电子版，不是扫描的。）

ICTestDataAnalysis IC测试数据提取整理工具，支持STDF V4原始log，测试机生产txt log(TRI\Chroma\Magum2)，以及标准galaxychip格式datalog数据的处理，支持将stdf/txt log 转为galaxychip标准格式CSV，再对galaxychip标准格式文件转换成excel map，测试向量失效统计，首测终测良率统计。等等

帕金森病数据分析 介绍： 说明和文献： 在这项研究中，我们将分析被诊断出患有这种疾病的患者数据。 期望使用来自受试者的语音数据有助于无创诊断的发展。 帕金森氏症（PWP）的人会遭受言语障碍，例如语音障碍（声音使用不良），低音障碍（音量减小），单调（音调范围减小）和构音障碍（声音或音节发音困难）。 因此，我们在此项目中的分析将基于受影响的语音参数。 数据： 该数据集由牛津大学的Athanasios Tsanas和Max Little与美国的10个医疗中心以及英特尔公司合作开发，后者开发了远程监控设备来记录语音信号。 该数据集由一系列生物医学语音测量组成，从42名帕金森氏症早期患者中招募，到远程症状进展监测的远程监测设备的为期六个月的试验。 这些记录会自动记录在患者家中。 数据集中的列包含受试者编号，受试者年龄，受试者性别，自基线募集日期起的时间间隔，运动UPDRS，总UPDRS和16

注意：由于数据源的修改，某些记录可能看起来不完整或与前几天不一致。 ---专用警告--- 以下文件将不再更新。 随着新数据结构的发布，我们将更新时间序列表以反映这些变化。 请参考time_series_covid19_confirmed_global.csv和time_series_covid19_deaths_global.csv以获取最新的时间序列数据。 time_series_19-covid-Confirmed.csv time_series_19-covid-Deaths.csv time_series_19-covid-Recovered.csv

拓扑数据分析教程 KAJI静夫撰写 这本Jupyter笔记书是为以下在线活动准备的：2020年6月18日至19日举行的 。 主要例子 单击在Google Colaboratory中打开Jupyter笔记本。 这包括 使用持久同源性从各种类型的数据（点云，图形，图像，体积，时间序列）中提取特征 使用拓扑特征进行回归/分类 降维保留拓扑特征 可视化揭示数据的形状 深度学习X TDA 展示如何将深度学习和持久同源性相结合。 NLP示例（矢量化和可视化） 作为自然语言处理的一个例子，我们看一下arXiv上的数学论文。 本示例仅在本地运行，而不在Google Colab上运行。 我没有认真调整参数，但是我希望这个示例可以作为更严肃的NLP应用程序的起点。 如果您没有gensim和nltk，请安装它们 conda install gensim nltk pip install kma

VisionPro 软件 中DataAnalysisTool工具使用例程。资源包含VisionPro工程，可直接用VisionPro打开，里面所有参数都已经配置好，另外还带多张实例图片。具体教程参考的我博客。