沪、深、港股市间波动溢出效应研究——基于VAR-EGARCH模型的实证分析，沈妍秋，，本文构建了VAR-EGARCH 模型，将收益与波动作为刻画股市信息的代理变量，将内地股市受到的收益和波动冲击分解为来自自身的 “本地因素

很不错的最新介绍深度学习的文献，仅供大家参考，希望更多的深学爱好者上传分享，谢谢！

基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

Landsat8场景计算器 介绍 该程序可以从下载landsat8图像和其他文件。 可以根据需要生成的场景类型按需下载这11个波段。 场景生成所需的所有文件都将被下载。 将文件保存到本地磁盘后，将生成场景。 频段可以独立下载，也可以自动下载，具体取决于特定计算/合成所需的频段。 该程序将创建以下内容的GeoTIFF文件： 归一化植被指数计算 土壤调整植被指数计算 可见光谱（自然色）复合 短波红外复合材料 农业综合 地质综合 水深合成 重要笔记 ./data/index.gz是可用数据的索引，如果不存在，则下载该文件，请不要将其删除。 ./data/defaults.json是用户在程序提示中的最后输入。 删除是安全的，但是您将需要在提示符下重新输入先前的值。 如果由于任何问题中断下载，程序将退出。 在下一次运行时，只要不删除不完整的“ .part”文件，下载的文件就可以继续下载。

深珊瑚 PyTorch实施的“深层珊瑚：深层域适应的相关对齐”。 B Sun，K Saenko，ECCV 2016' 深度CORAL可以学习一种非线性变换，该变换可以对齐深度神经网络（Deep CORAL）中层激活的相关性。 我的实施结果（任务Amazon->网络摄像头）： 要求 的Python 3 PyTorch 0.2 用法 解压缩dataset/office31.tar.gz中的dataset/office31.tar.gz 运行python3 main.py

深澜认证客户端破解版(自编写软件),注意填写服务器和端口号，还需注意n的值一般为1~20

matlab分时代码

深矩阵分解模型 “推荐系统的深矩阵分解模型”的实现 见论文： : 要求 可以按以下要求运行此代码，但不限于： Python= 3.5.3 张量流gpu = 1.5.0 numpy = 1.14.0 + mkl 上面要求的其他安装依赖性 使用例 指令说明已在代码中明确说明。 python Model.py 后记 作为学习者，代码中可能存在一些错误。 请随时告知。

Crosstalk Noise Control in Deep Submicron Physical Design Flow 王胤翔　 周凤亭　 陆生礼　 摘　要：信号完整性的设计收敛已经成为当前深亚微米集成电路物理设计流程中的关键问题.对信号完整性收敛产生不利影响的有三个因素:串扰、直流电压降和电迁移.其中影响最大的是串扰,串扰噪声会产生大量的时序违规、逻辑错误.主要关注基于串扰控制的物理设计方法,包括新的流程、各个设计阶段对串扰的分析及修正的方法,以达到快速的时序收敛.并且根据真实的设计实例,提出了几点有效的控制串扰的方法和对于信号完整性管理比较有价值的观点.关键词：信号完整性;串扰噪声

2022深信服PT1题，最新2022