具有递归神经网络的文本生成 使用基于特征的RNN进行文本生成。 我们使用安德烈·卡帕蒂（Andrej Karpathy）的莎士比亚作品集。 给定来自此数据的字符序列（“莎士比亚”），训练模型以预测序列中的下一个字符。 通过重复调用模型，可以生成更长的文本序列。 模型的输出 以下是本教程中的模型训练了30个纪元并以字符串“ Q”开头时的示例输出： 奎妮：我以为你有罗马人。 Oracle这样，使所有人都反对这个词，因为他的照顾太弱了。 您的孩子们在您的圣洁的爱中，通过流血的宝座沉淀。 伊丽莎白·比什普（Bishop of Ely）：我的主，嫁给并愿意哭泣，这是最漂亮的。 然而，现在我被世界可悲的一天收为继承人，要和他父亲一起面对面观看新路吗？ 埃斯卡洛斯：为什么我们都下了更多儿子的原因。 卷：不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，不，这是没

二进制粒子群优化算法主代码， 其中bpso_project函数为特征子集评价函数， 对接自己的数据集与评价函数即可使用。

肌电rmsmatlab 心电图信号特征提取 该代码使用MATLAB编写脚本，可以从信号中提取20多个特征。 ％（1）平均绝对值/绝对值的积分（IAV） ％（2）RMS值 ％（3）差异 ％（4）标准偏差 ％（5）尿毒症 ％（6）偏斜 ％（7）威廉·安培利特 ％（8）转数 ％（9）零交叉 ％（10）波形长度 ％（11）平均值 ％（12）中间频率 ％（13）产生噪声比的信号 ％（14）绝对偏差 ％（15）绝对偏差中位数 ％（16）简单平方积分 ％（17）平均幅度变化 ％（18）绝对标准偏差值 ％（19）订单 ％（20）最高百分比 ％（21）时间瞬间3 ％（22）时间瞬间5 ％（23）自动回归系数 通过编辑文件名，工作表和范围一可以直接将值保存在excel文件中！

为了使说话人识别系统在语音较短和存在噪声的环境下也具有较高的识别率, 基于矢量量化识别算法, 对提取的特征参数进行研究。把小波变换与美尔频率倒谱系数(MFCC )的提取相结合, 并将改进后的特征与谱质心 特征进行了组合, 建立了一种美尔频率小波变换系数+ 谱质心(MFWTC+ SC) 的新的组合特征参数。经实验表明, 该 组合特征可以有效地提高说话人识别系统的性能。

nmf的matlab代码SDGNMF 用于图像共聚的稀疏双图正则化NMF 此存储库实现了Jing Sun等人针对“稀疏双图正则化NMF进行图像共聚”提出的聚类算法的迭代更新过程。此代码在人脸上进行聚类实验（ORL-32和PIE-pose27 ）和对象（COIL20）数据集以获得AC和NMI，然后验证SDGNMF的聚类有效性。 此外，该代码还可以显示我们的稀疏性研究和运行时间，以便与其他基于NMF的聚类方法进行比较。 依存关系 该代码支持Matlab。 跑步 主目录 下载本文 引文 如果您认为此代码有用，请引用： 孙静，王志辉，孙富明，李浩杰*。 用于图像共聚的稀疏双图正则化NMF。 神经计算，2018，316（NOV.17）：156-165。

基于827个降水监测站1951——1998年的逐月监测数据,利用GIS空间分析功能,计算分析黄河流域降水量近50年的时空变化.先重点研究了1951——1998年期间典型降水等值线200、400和800mm的空间移动情况,结果表明:黄河流域黄土高原一带干旱化趋势十分明显,典型降水等值线南移.然后对1951—1979和1980—1998年前后2个时段黄河流域年、汛期和非汛期降水量空间变化分别进行分析,发现黄河流域降水减少幅度最大的区域在黄土高原大部和黄河下游,但是在黄河源头、伊洛河流域、汾河源头及其下游等则呈

基于视频纹理特征的自适应模式决策算法在HEVC帧内预测中的应用

为降低高效视频编码(HEVC)的帧内编码复杂度，提出一种基于图像纹理特征的编码单元(CU)划分和预测模式选择算法。利用一种预处理算法来获得当前CU的纹理复杂度和方向。一方面，根据CU的纹理复杂度，该算法自适应地跳过或终止部分CU划分，减少CU深度的遍历时间。纹理复杂度高的CU直接划分成4个子CU，纹理复杂度低的CU将会终止划分。另一方面，根据预测单元的纹理方向，确定相应的候选模式集，通过粗模式决策算法和率失真最优化算法遍历候选模式集选取最优模式。将算法移植到标准食品解码软件HM16.7平台上，实验结果表明，与HM16.7算法相比，编码时间平均减少53.66%，比特率上升0.46%，峰值信噪比下降0.05 dB。

基于 matlab的Harris 的角点特征检测，角点是图像中一个重要的局部特征，决定了图像中关键区域的形状，体现了图像中重要的特征信号，在目标识别、图像匹配、图像重构等方面有十分重要的意义

关于微博用户特征分析和核心用户挖掘的一份ppt，包含行为关联分析、社区划分 、普通用户挖掘、微博名人挖掘等四部分的简介。