从信息角度阐释量子理论。可以作为量子理论的一个入门教材，适用于没有深厚物理背景，又想进入量子相关领域的人观看

回顾歌唱语音检测：定量回顾和未来展望 此回购包含了在2018年第19届国际音乐信息检索会议（ISMIR）上由李庆云，崔景宇和Juhan Nam撰写的论文“重新审视歌声检测：定量审查和未来展望”的代码。[ ，] 要求 在requirements.txt中指定 公开数据集 具有相同的标签，训练/有效/测试集，如网站中所述。 我们使用了61首包含人声的歌曲，这些歌曲可以在medleydb_vocal_songs.txt找到。 注意：MedleyDB不提供人声注释，因此我们使用提供的乐器激活注释生成了标签。 下载歌曲，更改路径，然后运行python medley_voice_label.py生成61首歌曲的标签。 压力测试数据集（第5节） 要生成数据集，请运行 第5.1节中的python vibrato_data_gen.py vibrato测试的python vibrato_data_ge

三个熵估计器 连续随机变量的熵的三个估计量（一维） entropy_bin()使用常见的直方图方法。 除数据外，还需要指定容器宽度。 entropy_ci()使用一阶相关积分，就像niave核密度估计器一样。 除了数据外，还需要指定一个邻域半径（内核带宽），类似于直方图估计器的（一半）箱宽度。 entropy_nn()使用最近邻居距离的分布。 它不需要可调参数。 通过使用具有各种带宽的一些模拟，我的经验是，最近的邻居估计量具有最低的偏差，但方差最大。 相关积分估计器可能是最好的，尤其是在选择了很好的邻居半径的情况下。 直方图方法倾向于低估熵。 我怀疑使用高斯核的核密度估计器会更好，但是没有实现。

该存储库包含用于各种光学音乐识别任务的许多数据集的集合，包括人员线检测和删除，卷积神经元网络（CNN）的训练或通过将系统与已知的真实情况进行比较来验证现有系统。 请注意，大多数数据集都是由研究人员开发的，使用它们的数据集需要接受一定的许可和/或引用各自的出版物，如每个数据集所示。 大多数数据集都链接到官方网站，您可以在其中下载数据集。 如果您对光学音乐识别研究感兴趣，可以在找到精选的书目。 概述 该存储库引用了以下数据集： 名称 雕刻 尺寸 格式 典型用法 手写的 15200个符号 文本文件 符号分类（在线+离线） 排版+手写 〜90000个符号 图片 符号分类（离线） 手写的 1000个分数图像 图片 撤职人员，作家身份证明 手写的 > 90000条注释 图像，度量注释，MuNG 符号分类，对象检测，端到端识别，量度识别 排字 300000图片 图片，XML 符号分类，对象

基于线性最小方差意义上的最优加权融合算法，针对具有多个传感器和相关噪声的具有三层融合结构的离散时变线性随机控制系统，给出了最优融合固定间隔卡尔曼平滑器。 第一和第二融合层都具有网状平行结构，分别确定任何两个传感器子系统之间的预测和平滑误差的互协方差矩阵。 第三融合层是确定最佳权重并获得最佳融合固定间隔平滑器的融合中心。 推导任何两个传感器子系统之间的平滑误差互协方差矩阵。 将其应用于具有三个传感器的跟踪系统显示了其有效性。

information_gain

ISO 19157-2013 地理信息.数据质量 Geographic information.Data quality

Information Security Foundation based on ISOIEC 27002 exam题.docx

这是Shun-ichi Amari所著的一本关于信息几何及其应用的书籍，希望对研究相关方向的小伙伴有用。

（量化）神经网络的信息瓶颈精确分析_Information Bottleneck Exact Analysis of (Quantized) Neural Networks.pdf