基于图的深度优先搜索算法，设计算法判别以邻接表方式存储的有向图中是否存在有顶点Vi到Vj的路径（i≠j）。
数据结构实训题目，C/C++编写。
数据结构实训题目，C/C++编写。
2025/1/26 17:29:40
2KB
1
Alex在2012年提出的alexnet网络结构模型引爆了神经网络的应用热潮，并赢得了2012届图像识别大赛的冠军，使得CNN成为在图像分类上的核心算法模型。
2025/1/25 21:31:35
5KB
1
深度强化学习是人工智能领域的一个新的研究热点.它以一种通用的形式将深度学习的感知能力与强化学习的决策能力相结合,并能够通过端对端的学习方式实现从原始输入到输出的直接控制.自提出以来,在许多需要感知高维度原始输入数据和决策控制的任务中,深度强化学习方法已经取得了实质性的突破.该文首先阐述了三类主要的深度强化学习方法,包括基于值函数的深度强化学习、基于策略梯度的深度强化学习和基于搜索与监督的深度强化学习;其次对深度强化学习领域的一些前沿研究方向进行了综述,包括分层深度强化学习、多任务迁移深度强化学习、多智能体深度强化学习、基于记忆与推理的深度强化学习等.最后总结了深度强化学习在若干领域的成功应用和未来发展趋势.
2025/1/25 21:53:47
2.94MB
1
结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
2025/1/22 10:55:54
3.25MB
1
未来6G愿景：“智慧连接”、“深度连接”、“全息连接”和“泛在连接”，而这四个关键词共同构成“一念天地，万物随心”的6G总体愿景。
分析了实现6G愿景所面临的技术需求与挑战，包括峰值吞吐量、更高能效、随时随地的连接、全新理论与技术以及一些非技术性因素的挑战。
然后分类罗列并探讨了6G潜在关键技术：（1）新频谱通信技术，包括太赫兹通信和可见光通信；
（2）基础性技术，包括稀疏理论（压缩感知）、全新信道编码、大规模天线及灵活频谱使用；
（3）专有技术特性，包括空天地海一体化通信和无线触觉网络。
分析了实现6G愿景所面临的技术需求与挑战，包括峰值吞吐量、更高能效、随时随地的连接、全新理论与技术以及一些非技术性因素的挑战。
然后分类罗列并探讨了6G潜在关键技术：（1）新频谱通信技术，包括太赫兹通信和可见光通信；
（2）基础性技术，包括稀疏理论（压缩感知）、全新信道编码、大规模天线及灵活频谱使用；
（3）专有技术特性，包括空天地海一体化通信和无线触觉网络。
2025/1/20 15:14:49
961KB
1
分别用宽度优先、深度优先、贪婪算法和A*算法求解“罗马利亚度假问题”。
要求：分别用文件存储地图和启发函数表，用生成节点数比较以上四种算法在同一问题求解时的效率，列表给出结果。
要求：分别用文件存储地图和启发函数表，用生成节点数比较以上四种算法在同一问题求解时的效率，列表给出结果。
2025/1/19 17:07:08
1.94MB
1
深度学习(DeepLearning)是近年来提出的一种利用具有多个隐层的深度神经网络(DeepNeuralNetwork,DNN)完成学习任务的机器学习方法。
其实质是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到更有用的特征,进而提升模型预测或分类的准确性。
与以往的浅层神经网络的不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层),还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰富的内在信息。
其实质是,通过构建具有多个隐层的神经网络模型并使用大量的训练数据来学习得到更有用的特征,进而提升模型预测或分类的准确性。
与以往的浅层神经网络的不同之处在于,深度学习主要强调了神经网络的深度(通常有大于1层的隐层),还突出了特征学习的重要性,从大数据中学习特征,这些特性可以刻画数据丰富的内在信息。
2025/1/19 7:51:09
10.13MB
1
C++实现的八数码问题求解，界面是用MFC实现，算法有八种：1：简单广度优先2：简单深度优先3：有界深度4：双向广度4：A*15：A*26:迭代加深搜索（深度优先）7：迭代加深搜索（IDA*）压缩包包含有：1：已经成品的程序2：程序的源代码3：具体文档
2025/1/19 3:23:17
5.71MB
1
注意力机制是一种信息获取的通用机制，应用于从大量源数据中获取特定关键信息而避免对所有数据进行处理的场景。
注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中，都很容易遇到注意力模型的身影。
所以，了解注意力机制的工作原理对于关注深度学习技术发展的技术人员来说有很大的必要。
注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中，都很容易遇到注意力模型的身影。
所以，了解注意力机制的工作原理对于关注深度学习技术发展的技术人员来说有很大的必要。
2025/1/19 2:50:34
2.87MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB