随着万维网和在线社交网站的发展,规模大、结构复杂、动态性强的大规模网络应用而生.发现这些网络的潜在结构,是分析和理解网络数据的基本途径.概率模型以其灵活的建模和解释能力、坚实的理论框架成为各领域研究网络结构发现任务的有效工具,但该类方法存在计算瓶颈.近几年出现了一些基于概率模型的大规模网络结构发现方法,主要从网络表示、结构假设、参数求解这3个方面解决计算问题.按照模型参数求解策略将已有方法归为两类:随机变分推理(stochasticvariationalinference)方法和在线EM(onlineexpectationmaximazation)方法,详细分析各方法的设计动机、原理和优缺点.定性和定量地对比、分析典型方法的特点和性能,并提出大规模网络结构发现模型的设计原则.最后,概括该领域研究的核心问题,展望未来发展趋势.
483KB
1
这个压缩包里共包括两个源代码，分别是训练算法，实际分类检测算法，主要是利用BP神经网络来分类。
训练算法的原理可以直接参考，实际分类检测就是利用训练好的BP神经网络参数来进行分类。
我的BP网络结构是3层，783结构。
训练算法的原理可以直接参考，实际分类检测就是利用训练好的BP神经网络参数来进行分类。
我的BP网络结构是3层，783结构。
2025/11/5 18:07:08
31.97MB
1
将上面的脚本放在Unity项的目录资源文件夹的Editor里。
刷新一下菜单栏，会发现多了一个Terrain的菜单。
先在场景中选中地形对象，如果没选，他将用于当前场景中可用的地形。
然后从Terrain菜单下选择ExportToObj...接下来会弹出一个框，在这里你可以选择要导出四边形网络结构还是三角形网络结构，还可以选择要导出的地形的分辨率，有高中低...。
最后点击Export，选择要保存的位置和文件名，.obj文件将被导出。
注意：如果选择大面积的Full地形导出，最终.obj文件将非常大，而且也要导出很久。
刷新一下菜单栏，会发现多了一个Terrain的菜单。
先在场景中选中地形对象，如果没选，他将用于当前场景中可用的地形。
然后从Terrain菜单下选择ExportToObj...接下来会弹出一个框，在这里你可以选择要导出四边形网络结构还是三角形网络结构，还可以选择要导出的地形的分辨率，有高中低...。
最后点击Export，选择要保存的位置和文件名，.obj文件将被导出。
注意：如果选择大面积的Full地形导出，最终.obj文件将非常大，而且也要导出很久。
2025/11/1 12:37:03
7KB
1
山东大学《数据科学导论》实验三：基于Twitter的网络结构和社会群体演化实验源码完成了崔老师要求的内容和扩展内容
2025/10/11 4:22:28
10KB
1
目录1．前言 22．用户业务需求分析 22．1用户业务类型需求分析 22．2网络功能需求分析 22．2．1信息交流功能 22．2．2教学服务功能 32．2．3．学生学习功能 32．2．4．学校管理功能 33．网络性能需求分析 33．1．网络结构需求分析 43．1．1.拓扑结构需求分析 43．1．2.网络节点需求分析 43．1．3.网络链路需求分析 43．2．网络扩展性需求分析 43．2．1．用户业务的扩展性 43．2．2．网络性能的扩展性 43．2．3．网络结构的扩展性 53．2．4．网络软件的扩展性 53．3.网络性能需求分析 53．4.网络安全需求分析 53．4．1系统软件和硬件的安全需求 53．4．1．数据安全需求： 63．4．2．用户认证需求： 63．5.网络可靠性需求分析 63．6.网络管理需求分析 63．7.网络投资约束条件分析： 7
2025/10/3 2:05:04
78KB
1
提出了基于深度学习的聚类算法模型,将深度学习和聚类技术结合起来。
首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。
这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。
在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。
首先用深层神经网络结构对原始数据进行特征学习,然后对学习到的特征表示进行预聚类,最后在微调模块中进行特征的优化和聚类的优化。
这种模型能够学习到大规模数据中隐含的深层特征,并根据聚类要求进行进一步优化,在保持原始数据的结构的同时发掘数据簇结构。
在微调部分作者新设计了目标函数,使得微调完全成为一个优化的问题。
2025/9/2 17:17:55
4.85MB
1
实现了使用DNN来做VAD的功能，模型非常小，使用了TDNN的网络结构，注意：需要在LINUX上执行，感觉效果还不错，欢迎大家使用并提出宝贵意见。
2025/7/19 3:04:19
663KB
1
这里主要讲深度学习用在超分辨率重建上的开山之作SRCNN。
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：
2025/7/5 4:41:07
84.93MB
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