种子 精心挑选的全面的模糊测试种子库 种子：│ ├─svg│rect.svg│anim-retarget-3.svg│itemArrow-rtl.svg│glyphs-paintservers.svg│pattern-invalid-01-ref.svg│blend-saturation-ref.svg│tspan-xy- 02.svg│simple-multiple-dx-bidi.svg│textLength.svg│rect-02.svg│anim-css-fontsize-1-from-to-no-no.svg│lime50x50.svg│style-without- type-attribute.svg│缩放无效01.svg│itemArrow-dark-ltr.svg│second-filter-uses-SourceGraphic.svg│链接过滤器-01.svg│searc

分水岭 matlab代码 corn-seeds ###基于matlab的玉米种子破损识别 ###[本目录内代码均识别相对路径，请运行前设置MATLAB工作路径到该目录下] 该目录下pics目录中存储不粘连待识别图片，需保证图片尺寸为696x928,部分光线不均的图片经过PS调整; pics_adjoin目录中存储有粘连待识别图片，同样保证图片尺寸为696x928,部分光线不均的图片经过PS调整; seeds目录存储向量机训练所用的种子，该目录下有good和bad两种单个种子，都是经过旋转处理的具有一定方摆放向的的种子，便于机器学习; seeds目录下adjoin_pics_items目录中放的是有粘连种子图片中所有单个种子集合; seeds目录下adjoin_pics_rotated_items目录中放的是有粘连种子图片中所有经过旋转方向的单个种子集合； taged_pics目录下为不粘连图片的种子标签图，标签号码与seeds中种子图号对应； exercise.m为训练脚本，已经执行并生成svmStruct.mat文件，无需再次训练，除非种子库变更。该文件内存储向量机结构，做种子识别时

数据集文件都是csv文件格式。 iris数据集：鸢尾花卉数据集，可用作分类； wine数据集：葡萄酒数据集； seeds数据集：小麦数据集，可用作聚类分析。

kmeans聚类测试

这是一个关于番茄种子的数据集。 Tomato Seeds_datasets.txt Tomato Seeds_datasets.zip

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

wine、seeds的arrf版本，可用于聚类分析或者分类分析的性能判断。

fir带通滤波器matlab代码Foseedsp 包含以scilab编码的iirnotch，ca2tf，firlp2lp matlab函数 ca2tf： 计算两个全通滤波器（耦合全通滤波器）的平均值，并提供新的传递函数H（z） H（z）= B（z）/ A（z）= 1/2 * [H1（z）+ H2（z）] 其中H1（z）和H2（z）均为通过过滤器语法： [b，a] = ca2tf（d1，d2） 例子： d1 = 1:10； d2 = [1 2 3 4 5]; [b，a] = ca2tf [d1，d2]; firlp2lp： 将Fir TypeI低通滤波器转换为反向带宽的fir I类低通滤波器 语法：a = firlp2lp（b） 它将具有零相位响应Hr（w）的I型低通FIR滤波器b转换为具有零相位响应[1- Hr（π-w）]的I型低通FIR滤波器a。 带宽和通带阻带波动从阻带到通带以及从通带到阻带被交换。 例子： [x] = ffilt（“ lp”，15，.1，.4）; c = firlp2lp（x）; [hzm，fr] = frmag（x，1,256）;图（2 fr，hzm）; [hz

自己实现的 基于元胞自动机的GrowCut算法中的 种子点的选取的matlab程序

一个类似于鸢尾花的种子数据集， 7个特征维度，三个种类