【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

波特诗 哈利波特人物网络可视化。 探索它是否表现出与真实社交网络相同的属性。 安装 本指南在 Mac OSX 终端中进行。 cd ~/Sites/ git clone git@github.com:efekarakus/potter-network.git 打开浏览器并转到以下网址： 127.0.0.1/~/potter-network 数据集 所有数据集都可以在data/文件夹下找到。 有两个重要文件： characters.csv这是我们决定探索的 65 个哈利波特角色的列表。 relationship.csv是每个字符之间的无向关系列表。 类型表示两个角色是盟友还是敌人。 请注意，大多数关系都经过百科的事实核查。 角色 Craig Evans：负责网络的设计、数据收集和实施。 Josh Friedman：负责设计、数据收集和实施三合会。 Efe

SPO_BPNN_PID：基于粒子群优化的神经网络PID控制

Neu-NoC: A High-efficient Interconnection Network for Accelerate

Network Video Server网络视频服务器用户手册

NAS（NETWORK ATTACHED STORAGE：网络附属存储）是一种将分布、独立的

动态路由协议+包含FPM完整编码

请访问我们的新网站：http://socnetv.org Social Network Visualizer（SocNetV）是一种社交网络分析和可视化应用程序。 您可以绘制社交网络（图形/图）或加载现有的社交网络（GraphML，UCINET，Pajek等），计算凝聚力，中心性，社区和结构等效性指标，并基于演员中心性或声望得分应用各种布局算法（即特征向量，介于两者之间）或在动态模型上（例如，Kamada-Kawai弹簧嵌入器）

CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization，CVPR2018 code

目录： 网盘文件永久链接 1.1 网络编程与自动化的发展历程 1.2 编程语言概述 1.3 Python编程实践 1.4 版本控制基本概念 1.5 Git基本操作实践 2.1 SSH简介.mp4 2.2 ParamikoSSH登录设备 2.3 SNMP概述 2.4 网络设备开放可编程-SNMP实验 2.5 网络管理技术背景 2.6 NETCONF下发网络设备配置 2.7 网络设备配置对比 2.8 Telemetry技术背景 2.9 gRPC远程查询网络设备配置 3.1 SDN概述 3.2 REST发展历史 3.3 iMasterNCERESTfulAPI调用实践 3.4 CloudCampus解决方案开放能力概述 3.5 智简园区无线定位实践 3.6 1iMasterNCE-Fabric功能概述 3.7 iMasterNCE-Fabric开放API实践 3.8 网络人工智能简介 4.1 网络开放可编程背景 4.2 对接新设备-网元驱动包实践 4.2 构建新业务-业务包实践