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
超级哄女生-安琪儿小天使（附带源码）这个程序网络上有，就是小天使跟的鼠标动，当飞到鼠标的位置时，鼠标变成爱心桃的形状，但是没有源码，这个是我按效果自行完成的，有源代码，效果不错。
VC6.0下编译这个是08年写的，源码一直没有公开。
VC6.0下编译这个是08年写的，源码一直没有公开。
2025/9/1 22:08:46
8.65MB
完全基于Keras官方在线中文文档页面制作（截至日期是2019年7月16日），有目录，可复制，可高清打印。
2025/9/1 13:11:34
2.18MB
阿瓦拉由AmbrosiaSoftware，已获得。
Avara是一种经典的三维网络动作FPS，您可以在其中扮演遥控双足坦克的角色。
它最初是为AppleMacintosh开发的，使用，一直支持到。
该端口使用C++，SDL2和OpenGL替换依赖于Macintosh系统API的代码，并且旨在在Windows，macOS和Linux上运行。
这些是使用Windows10和macOSCatalina（10.15）创建的测试版本。
如果您运行的是较旧的macOS，由于macOS版本之间动态链接的C++标准库的差异，当前可能需要自行。
以获取当前活动的Avara服务器的列表。
还有一个JSON饲料可用！请注意，此跟踪器与MacOS9版本的Avara不兼容。
媒体资源资源和（tl;drrunmake）-:warning_selector:如果您无法在线连接，请阅读此内容。
以及如何克服特定IRC：irc://avaraline.net:6667/avaraline
Avara是一种经典的三维网络动作FPS，您可以在其中扮演遥控双足坦克的角色。
它最初是为AppleMacintosh开发的，使用，一直支持到。
该端口使用C++，SDL2和OpenGL替换依赖于Macintosh系统API的代码，并且旨在在Windows，macOS和Linux上运行。
这些是使用Windows10和macOSCatalina（10.15）创建的测试版本。
如果您运行的是较旧的macOS，由于macOS版本之间动态链接的C++标准库的差异，当前可能需要自行。
以获取当前活动的Avara服务器的列表。
还有一个JSON饲料可用！请注意，此跟踪器与MacOS9版本的Avara不兼容。
媒体资源资源和（tl;drrunmake）-:warning_selector:如果您无法在线连接，请阅读此内容。
以及如何克服特定IRC：irc://avaraline.net:6667/avaraline
2025/9/1 8:05:09
15.44MB
SIFT算法特点•SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
•独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
•多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
•经过优化的SIFT算法可满足一定的速度需求。
•可扩展性，可以很方便的与其他形式的特征向量进行联合。
•独特性(Distinctiveness)好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
•多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
•经过优化的SIFT算法可满足一定的速度需求。
•可扩展性，可以很方便的与其他形式的特征向量进行联合。
2025/8/31 17:47:11
2.85MB
Book.(2001)Multi-Objective_OptimizationUsingEvolutionaryAlgorithms使用进化算法解决多目标问题，英语原版经典，绝版图书
2025/8/31 12:03:27
33.36MB