为了有效改善解码语音的质量，提出了一种K-L变换语音波形编码算法。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
2020/7/16 18:07:23
1.19MB
1
为了有效改善解码语音的质量，提出了一种K-L变换语音波形编码算法。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
2015/11/25 3:27:43
1.19MB
1
环境：opencv2.4.6.0特征：eigenfaceInput：一个人脸数据库，15个人，每人20个样本（左右）。
Output：人脸检测，并辨认出每张检测到的人脸。
Output：人脸检测，并辨认出每张检测到的人脸。
2018/5/3 17:46:11
12KB
1
1.什么是相信区间（ConfidenceInterval）？（1）总体、个体、样本（2）统计量（3）区间估计、相信区间2.计算相信区间的方法（Excel）3.相关数据表
2019/6/3 6:16:14
819KB
1
WebRTC中的噪声抑制算法功能好，效率高，但是因为关联复杂，单独使用很麻烦。
为配合声音处理器开发，从WebRTC中单独抠出来的噪声抑制源码，使用VS2010编译。
在Release目录下，还有编译好的执行文件和语音样本。
为配合声音处理器开发，从WebRTC中单独抠出来的噪声抑制源码，使用VS2010编译。
在Release目录下，还有编译好的执行文件和语音样本。
2015/10/23 2:23:39
1.86MB
1
提供高中数学学科的知识数据集，包含6661个样本和706个实体，提供了基于该数据集的实体关系数据库（一共12种关系，11250个实体关系对）。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
2017/8/3 11:49:43
502KB
1
模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17
669KB
1
ansible-playbook样本ansible-playbook样本
2015/10/2 12:24:57
4KB
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