该紧缩包包括了TensorFlow基于CIFAR10数据集的卷积神经网络的代码实现，以及多个测试结果的测试图片。
2018/5/6 14:24:13
483KB
1
该程序用Fortran90语言编写，用于实现石油地震勘探领域地震波场正演模拟研究中吸收边界条件的研究，CPML（卷积完美婚配层）边界条件较常用的PML（完美婚配层）边界条件对地震正演模拟区域边界处的波场吸收效果更好，是目前国际上较为先进的吸收边界条件
2016/7/17 16:30:58
283KB
1
本资源主要分为三个部分：车牌定位字符分割字符识别，每个部分都可单独运行。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
车牌定位采用数学形状学和颜色特征相结合的方法。
首先对图片进行开闭运算、轮廓检测等数学形状学操作突出车牌区域，然后依据车牌的形状特征去除部分干扰区域，并利用仿射变换对可疑车牌区域进行倾斜矫正，最后根据车牌颜色特征选取最终区域，同时确定车牌的颜色。
字符分割基于投影法，利用二值化图像像素的分布直方图进行分析。
其中水平投影确定字符区域并去除上下边框，垂直投影找出相邻字符的分界点，并通过适当算法组合分离的汉字和去除车牌上的分隔点、边缘等干扰；
字符识别基于keras框架，首先搭建卷积神经网络对训练集进行训练，准确率达到97.87%，然后利用训练好的模型对分割下的字符逐一进行识别，最终组成车牌号码，实现车牌识别的目标。
2016/3/27 9:11:01
47.82MB
1
《ErrorControlCoding》(第2版)在第一版的基础上进行了彻底的修订和更新．包括了过去20年间该领域所有的重要新发展。
添加了线性分组码的网格、基于可靠性的线性分组码软判决译码算法。
基于网格的软判决译码算法，Turbo编码、低密度奇偶校验码、网格编码调制、分组编码调制7章全新的内容，重点阐述了编码理论和应用领域的三方面最新进展：获得高频谱效率的网格和分组编码调制、可实用的分组码软判决译码方法、分组码和卷积码的软输入和软输出迭代译码技术。
添加了线性分组码的网格、基于可靠性的线性分组码软判决译码算法。
基于网格的软判决译码算法，Turbo编码、低密度奇偶校验码、网格编码调制、分组编码调制7章全新的内容，重点阐述了编码理论和应用领域的三方面最新进展：获得高频谱效率的网格和分组编码调制、可实用的分组码软判决译码方法、分组码和卷积码的软输入和软输出迭代译码技术。
2018/9/22 2:29:31
55.75MB
1
深度强化学习是深度学习算法和强化学习算法的巧妙结合,它是一种新兴的通用人工智能算法技术,也是机器学习的前沿技术,DRL算法潜力无限,AlphaGo是目前该算法最成功的使用案例。
DRL算法以马尔科夫决策过程为基础,是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。
深度强化学习算法主要包括基于动态规划(DP)的算法以及基于策略优化的算法,这本书共10章,首先以AlphaGo在围棋大战的伟大事迹开始,引起对人工智能发展和现状的引见,进而引见深度强化学习的基本知识。
然后分别引见了强化学习(重点引见蒙特卡洛算法和时序差分算法)和深度学习的基础知识、功能神经网络层、卷积神经网络(CNN)、循环神经网络(RNN),以及深度强化学习的理论基础和当前主流的算法框架。
最后引见了深度强化学习在不同领域的几个应用实例。
DRL算法以马尔科夫决策过程为基础,是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。
深度强化学习算法主要包括基于动态规划(DP)的算法以及基于策略优化的算法,这本书共10章,首先以AlphaGo在围棋大战的伟大事迹开始,引起对人工智能发展和现状的引见,进而引见深度强化学习的基本知识。
然后分别引见了强化学习(重点引见蒙特卡洛算法和时序差分算法)和深度学习的基础知识、功能神经网络层、卷积神经网络(CNN)、循环神经网络(RNN),以及深度强化学习的理论基础和当前主流的算法框架。
最后引见了深度强化学习在不同领域的几个应用实例。
2019/3/8 21:17:23
145.91MB
1
大唐杯练习题《通信原理》练习题一、单选题1、发端发送纠错码，收端译码器自动发现并纠正错误，传输方式为单向传输，这种差错控制的工作方式被称为：（）A、FECB、ARQC、IFD、HEC2、若要传输速率为7200B的数据流，所需要的最小传输带宽为：（）A、2.4kHzB、3.6kHzC、5.4kHD、7.2kHz3、在数字通信系统中，其重要的质量指标是"有效性"和"可靠性"，其中有效性对应的是：（）A、传输速率B、传输内容C、误码率D、误块率4、根据纠错码组中信息元能否隐蔽来分，纠错码组可以分为：（）A、线性和非线性码B、分组和卷积码C、二进制和多进制码D、系统和非系统码二、多选题1、根据山农公式可知，为了使信道容量趋于无穷大，可以采取的措施包括：（）A、噪声功率为零B、噪声功率谱密度始终为零C、信号发射功率为无穷大D、系统带宽为无穷大2、以奈奎斯特速率进行抽样得到的以下抽样信号，仅用理想低通滤波器能将原始信号恢复出来的是：（）A、自然抽样B、曲顶抽样C、理想抽样D、平顶抽样
2019/10/25 5:36:38
41KB
1
1、Mnist_cnn.py该脚本文件用TensorFlow框架实现CNN卷积神经网络处理Mnist手写数字识别数据集，精确率达到99.21%；
2、Mnist_cnn_tensorboard.py该脚本文件在Mnist_cnn.py的基础上实现可视化。
2、Mnist_cnn_tensorboard.py该脚本文件在Mnist_cnn.py的基础上实现可视化。
2020/1/19 16:26:11
5KB
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