搜索资源列表
vq
- 说话人识别是语音识别的一种特殊方式，其目的不是识别语音内容，而是识别说话人是谁，即从语音信号中提取个人特征。采用矢量量化（VQ）可避免困难的语音分段问题和时间归整问题，且作为一种数据压缩手段可大大减少系统所需的数据存储量。本文提出了识别特征选取采用复倒谱特征参数和对应用VQ的说话人识别系统改进的一种方法。当用于训练的数据量较小时，复倒谱特征可以得到比较稳定的识别性能。VQ的改进方法避免了说话人识别系统的训练时间与使用时间相差过长从而导致系统的性能明显下降以及若利用自相关函数带来的大量运算。-Sp
IntrusionDetectionBasedonDataMining
- 传统的入侵检测系统在网络上存在自适应差、缺乏扩展性、数据过载等问题，而基于数据挖掘的入侵检测技术通过数据挖掘的方法，自动地从训练数据中提取出入侵检测的知识和模式，很好地解决了传统入侵检测系统中存在的问题。本文提出了一种基于数据挖掘的入侵检测系统模型，分析了几种入侵检测技术的数据挖掘方法。
application_of_special_person_on_ASR_for_the_contr
- 常用的说话人识别方法有模板匹配法、统计建模法、联接主义法(即人工神经网络实现)。考虑到数据量、实时性以及识别率的问题，采用基于矢量量化和隐马尔可夫模型(HMM)相结合的方法。 说话人识别的系统主要由语音特征矢量提取单元(前端处理)、训练单元、识别单元和后处理单元组成，
操作系统课程设计之进程调度
- 1)编程实现模拟操作系统进程调度子系统的基本功能；理解进程调度的概念，通过课程设计深入了解进程控制块的功能、进程的创建、删除以及进程各个状态间的转换过程；实现先来先服务、时间片轮转、多级反馈轮转法对进程进行的调度过程；通过观察有关的队列结构的内容的动态变化过程深入体会各个调度算法的特点；从而能够更好的巩固从书本上学到的知识。 2)编程过程中需要建立队列等结构进行各种操作，通过该次试验，可以督促学生从实用的角度对《数据结构》课程内容进行更深入理解和更熟练的应用。 3)实验编程语言要求使用jav
基于RBD的民航客运预测及MATLAB的实现
- ：基于统计学原理的传统的民航客运量预测方法难以预测动态数据的内在结构和复杂特 性。为了提高民航客运量预测的准确性，利用人工神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性，选用RBF 神经网络为模型并利用MATLAB 编程实现了对民航客运量的准确预测。本文介绍了RBF 神经网络MATLAB 的相关知识，并以民航客运量的1978 年至2007 年的实际数据为例进行RBF 神经网络的训练与测试，实验结果表明，将RBF神经网络与MATLAB 结合运用在民航客运量预测中具有可行性，预测精度更高
基于BP神经网络的厦门楼盘走势预测
- 本文基于BP神经网络应用于预测的原理，提出预测步骤及预测可行性，探讨建立基于BP神经网络的预测模型的关键技术，包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权值和阈值的选取、激活函数、训练算法与参数的选取，最后建立合理的网络模型；结合住宅市场的实际情况，建立两类BP 神经网络预测模型：基于时间序列的趋势预测模型以及基于影响因素的回归预测模型，即分别采用神经网络趋势预测和回归预测的思路，把住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本，建立预测模型，
自组织神经网络在文本分类中的应用研究
- 针对信息挖掘中的文本自动分类问题 提出了一种基于自组织特征映射网络的分类方法 网络由输入层和 竞争层组成 输入层节点与竞争层节点实行全互连接 输入层完成分类样本的输入 竞争层提取输入样本所隐含的 模式特征 并对其进行自组织 在竞争层将分类结果表现出来 分无监督和有监督两个阶段完成对网络的分类训练 该方法在特征提取时充分考虑了特征项在文档中的位置信息 构造出模糊特征向量 使自动分类原则更接近手工分 类方法 以中国期刊网全文数据库部分文档数据为例验证了该方法的有效性
dataStructure
- 数据结构５００题，专门针对软件设计师和软件评测师考试的强化训练５００题-Title data structure 500, specifically for software designers and software testing training division of the 500 test questions
safjfd
- 首先分析了典型说话人识别系统的各关键技术，详细分析了矢量量化技术在 说话人识别中的应用，研究了码本训练算法以及说话人判别算法，对算法中各参 数值的选取进行了讨论 其次根据系统的需求建立一个小的语音库，录制语音信 号，并对采集的语音信号进行预处理，检测语音信号的起始端点 在MATLAB 环境下仿真说话人识别系统，验证系统设计方案的可行性:特征提取阶段，提取 语音信号的12阶美尔倒谱系数以及各阶倒谱系数对应的1阶差分倒谱系数，在 训练阶段，采用分裂法和GLA算法相结合的矢量量
jingeiARTYU
- 本资料的功能为：运用数学统计方法和时间序列分析方法对原始振动信号进行分析，获取相应的时域，频域，频域及时间序列模型参数并以此作为特征参数，然后运用距离区分技术进行评估，选取敏感的特征参数作为ART-similarity分类器的输入并进行训练，最后便可识别出设备的性能状态。 基于YU范数对承不同预紧状态的分析，针对进给系统所采集的数据样本事先不知其对应的状态时，则可利用基于YU范数的ART-Similarity监督分类器对其进行诊断分析。针对基于Yu范数ART-Similarity的算法
b-
- 人工神经网络\神经网络的程序和训练数据 股票预测-Artificial Neural Networks \ neural network stock prediction programs and training data
classification
- 基于K均值算法的模糊分类器具有很好的分类效果,用它可以很准确的对训练样本进行分类. 此方法是将K均值算法应用于训练数据的聚类,对每个聚类的半径和聚类的中心都是可计算的. 而模糊系统设计方法就是用模糊度来描述聚类, 对训练数据进行高效且准确的分类.-based on K-mean Algorithm,it can Classify the original data very well!
noTHtransmitPAM
- 此函数用于产生脉冲超宽带系统的训练序列的波形。输出参数有三个：bits--发送的数据,stx--发送的信号,ref--参考信号 发送端调制方式为TH-PAM-The emerging ultra-wideband (UWB) system offers a great potential for high data rate wireless multimedia applications of the home entertainment and industry, as well
UnsupervisedAnomalyDetectionBasedOnPrincipalCompon
- 入侵检测系统在训练过程中需要大量有标识的监督数据进行学习,不利于其应用和推广.为了解决该问题,提出了一种基于主成分分析的无监督异常检测方法,在最小均方误差原则下学习样本的主要特征,经过压缩和还原的互逆过程后能最大限度地复制样本信息,从而根据均方误差的差异检测出异常信息.构建的仿真系统经过实验证明,基于主成分分析的无监督异常检测方法能够在无需专家前期参与的情况下检测出入侵,实验结果验证了其有效性.-Intrusion Detection System in the training process
kddcup.data_10_percent
- 这是KDD99数据训练集的10 的数据内容。可以用于数据挖掘的原始数据。-kddcup.data 10 percent
opencv2.4.5-training-exe
- 基于opencv2.4.5的数据训练之产生training的exe文件，在使用opencv找不到相对应执行的exe时，可提供参考-Based on the data opencv2.4.5 training training exe files, in the use of opencv cannot find a corresponding executing exe, can provide the reference
Iris-Dataset-Analysis-master
- 用决策树-回归分析模型来分析鸢尾花数据，训练后最终可以得到模型的准确率(Using decision tree-regression analysis model to analyze iris data, the accuracy of the model can be obtained after training.)
基于深度学习的机器人抓取仿真训练技术研究
- 机器人智能抓取是实现机器人智能化的重要一环。由于待抓取物品形状、尺度的多样性以及环境因素的影响，抓取任务很难用准确的数学公式求解。以往的研究多是借助计算机视觉、机器学习等相关技术，虽有一定的效果，但智能化程度还是较低。2012 年后深度学习技术逐渐崛起，因为其良好的特征提取表现被应用在了各个领域，如医学图像、自动驾驶、数据分析等，近年来国外学者开始将这项技术应用到机器人抓取，并取得了一定的成果。
情感分类数据集-已分词
- 可用于文本情感分类的研究，其中的训练和测试集都已经过切分。
YOLOX训练自己的数据集和TensorRT部署
- YOLOX训练自己的数据集和TensorRT部署