搜索资源列表
ARMODEL
- 功率谱估计的应用范围很广，在各学科和应用领域中受到了极大的重视。在《现代信号处理》课程中讲述了经典谱估计和现代谱估计这两大类谱估计方法；经典谱估计是基于傅立叶变换的，虽然具有运算效率高的优点，但是频谱分辨率低同时旁瓣泄漏严重，对长序列有着良好的估计。为了克服经典谱估计的缺点，人们开展了对现代谱估计方法的研究。现代谱估计是以随机过程的参数模型为基础的，有最大似然估计法、最大熵法、AR模型法、预测滤波器法。现代谱估计对短序列的估计精度高，同经典谱估计互为补充。在认真学习了现 代谱估计方法后，我选择了
实验2-插值与拟合
- 1、掌握用MATLAB计算拉格朗日、分段线性、三次样条三种插值的方法，改变节点的数目，对三种插值结果进行初步分析。 2、掌握用MATLAB作线性最小二乘的方法。 3、通过实例学习如何用插值方法与拟合方法解决实际问题，注意二者的联系和区别。-1. Grasp by matlab calculating Lagrange, segement linear, 3rd order spline these 3 interpolation method. Analisize the 3 interpola
C++常用算法之09插值
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套插值代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别是include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book supporting in
C++常用算法之07线性方程组求解
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套线性方程组求解代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别是include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book supporti
C++常用算法之06矩阵特征值与特征向量的计算
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套矩阵特征值与特征向量的计算代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别是include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book su
C++常用算法之05矩阵运算
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套矩阵运算代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book supporting m
C++常用算法之12数值拟合与逼近
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套数值拟合与逼近代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别是include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book supporti
C++常用算法之13数据处理与回归分析
- 本代码是《计算机常用数值计算算法与程序 C++版》一书的配套数据处理与回归分析代码，这些C++程序已经在Virsual C++ 6.0环境下通过。注意，在VC++ 6.0中设置好路径，特别是include目录(文件夹)的路径，否则在编译时会出现找不到头文件的错误，使编译无法正常进行。-the code is "commonly used computer numerical algorithms and procedures C version," a book suppor
递归中序遍历排序二叉树
- 这是一个中序遍历二叉树的VC实现，要注意的是输入节点后，以－1结束-which is a binary tree traversal sequence VC, to pay attention to the input nodes, in the end -1
（－1结束）求树高
- 用递归的方法的方法求二叉树的树高，注意输入的节点数据以－1结束。-use recursive methods for the binary tree height, pay attention to input data to the nodes -1 end.
重发求树高的程序
- 用递归的方法求二叉树的树高，使用时更加灵活，注意输入的数据以－1结束-using recursive method for binary tree height, use a more flexible, pay attention to input data to the end-1
重发尾插法建立单链表及其遍历
- 用尾插法建立单链表，可以事先不必指定要插入的元素的个数，比较灵活，注意输入数据时以－1结束-tailings interpolation creation of a single-chain and can not designated prior to the insertion of items, a more flexible, pay attention to the input data to the end-1
NGrid
- 经典8数码问题扩展为N数码问题，JAVA可视化编程，注意算法大家看一下-classic problem for the N digital expansion, JAVA visual programming, the attention we look at the algorithm
Saliency
- 利用视觉注意机制生成显著图（包括matlab程序、exe程序和相应的文章）-Use of visual attention mechanisms generate significant plan (including the matlab program, exe and the related article)
matlab
- this ile has been written to my friends in pudn and i believe it is useful for u. tjhanks for ur attention -this ile has been written to my friends in pudn and i believe it is useful for u. tjhanks for ur attention
dynamic-coattention-network-master
- 这是新的attention机制模型 dynamic-attention 机制(this is dynamic attention model have a good performance)
attention-is-all-you-need-pytorch-master
- 这是 attention is all your need 的pytorch 代码实现(this is the article "attention is all your need " code)
AttentionalPoolingAction-master
- 行为识别中的attention pooling方法(attention pooling in action recognition)
symbol_resnet
- RACNN注意力机制，细腻度图片分类。 RA-CNN由上到下用了3个尺度并且越来越精细，尺度间构成循环，即上层的输出作为当层的输入。RA-CNN主要包含两部分：每一个尺度上的卷积网络和相邻尺度间的注意力提取网络(APN, Attention Proposal Network)。在每一个尺度中，使用了堆叠的卷积层等，最后接上全连接层于softmax层，输出每一个类别的概率；这个是很好理解的，代码采用的网络结构是VGG的网络结构。(RACNN attention mechanism)
chatbot
- 聊天机器人 原理： 严谨的说叫 ”基于深度学习的开放域生成对话模型“，框架为Keras（Tensorflow的高层包装），方案为主流的RNN（循环神经网络）的变种LSTM（长短期记忆网络）+seq2seq（序列到序列模型），外加算法Attention Mechanism（注意力机制），分词工具为jieba，UI为Tkinter，基于”青云“语料（10万+闲聊对话）训练。 运行环境：python3.6以上，Tensorflow，pandas，numpy，jieba。(Chat Robot