该代码使用联合稀疏表示模型来提高超声成像的轴向分辨率。 所提出的模型将沿轴向的稀疏反卷积与沿横向的稀疏偏好约束相结合。 有关详细信息，请参阅 J. Duan 等人，“使用联合稀疏表示模型提高超声成像的轴向分辨率”。

主要介绍了压缩感知理论（cs)的框架及信号稀疏表示，cs编码解码模型，并举例说明基于压缩感知理论的编解码理论在一维信号和二维图像处理上的应用。

计算机数据表示实验(HUST) 第2关：汉字机内码获取实验 (1)帮助学生理解汉字机内码、区位码，最终能利用相关工具批量获取一段文字的 GB2312 机内码，并利用简单电路实现 GB2312 编码与区位码的转换； (2)学生了解字形码显示的基本原理，能在实验环境中实现汉字 GB2312 编码的点阵显示。

人工智能-机器学习-面向电力巡检机器人的仪表示数识别.pdf

2．Bezier曲线的拼接 问题的提出：如何保证连接处具有G1和G2连续性。 在两段三次Bezier曲线间得到G1连续性 为实现G1连续，则有： 亦即：

用SDL图表示的呼叫处理过程 用SDL图表示的一个呼叫处理过程 呼叫处理的SDL图的特点 呼叫处理的过程可分为三个部分： 输入处理 分析处理 内部任务的执行和输出处理

表示学习算法实践 word embedding & KG embedding 神经语言模型 • 词向量学习 – 基于预测的模型：word2vec – 基于技术的模型：GloVe • 课间休息 • 知识图谱表示学习 – 常用评价任务 – 基于映射的方法：TransE，TransR – 基于张量分解的方法：RESCAL • 现场实践 – C&W模型 过程的定义 （Construction） – 输入参数 – 模型参数 – 模型计算过程 – 优化过程 • 过程的执行（ Execution） – 初始化模型参数 – 学习过程 » 获得训练数据 » 执行学习过程 – 保存模型参数

BP神经网络函数化表示 BP神经网络梯度\求导函数

直接使用，九关全通，代码包括汉字国标码转区位码实验 汉字机内码获取实验 偶校验编码设计 偶校验解码电路设计 16位海明编码电路设计 16位海明解码电路设计 海明编码流水传输实验 16位CRC并行编解码电路设计 CRC编码流水传输实验

短文本分类是自然语言处理的一个研究热点.为提高文本分类精度和解决文本表示稀疏问题，提出了一种全新的文本表示（N-of-DOC）方法.采用Word2Vec分布式表示一个短语，将其转换成的向量作为卷积神经网络模型的输入，经过卷积层和池化层提取高层特征，输出层接分类器得出分类结果.实验结果表明，与传统机器学习（K近邻，支持向量机，逻辑斯特回归，朴素贝叶斯）相比，提出的方法不仅能解决中文文本向量的维数灾难和稀疏问题，而且在分类精度上也比传统方法提高了4.23%.