为了有效地实现心电信号压缩，以便心电数据的传输和存储，提出了一种基于卷积自编码器的心电压缩方法。通过卷积神经网络对心电图特征提取易实现降维，在卷积自编码器的编码过程中来实现心电压缩，将编码层作为压缩结果。卷积神经网络处理多通道的输入，因此可以实现导联体系的心电压缩。结果采用均方根百分误差和压缩比作为评判标准，单导联心电图压缩比为16，十二导联心电图压缩比为24，均方根损失误差在3%左右，从而验证了卷积自编码器的有效性。

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。

概率整形实现——添加FEC开销——应用分布匹配器——PCS系统完成 Generate TX bits Generate Transmitted symbols

基于pytorch实现的堆叠自编码神经网络，包含网络模型构造、训练、测试 主要包含训练与测试数据（.mat文件）、模型（AE_ModelConstruction.py、AE_Train.py）以及测试例子（AE_Test.py） 其中ae_D_temp为训练数据，ae_Kobs3_temp为正常测试数据，ae_ver_temp为磨煤机堵煤故障数据，数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定，可根据使用者的输入值来构造神经网络，方便调试 autoencoder类在初始化时有三个参数，第一个是网络输入值，第二个是SAE编码过程的层数(编码、解码过程层数相同)，第三个是是否添加BN层 这里为了构造方便，给每层神经元的个数与层数建立一个关系：第一层神经元的个数为2^(layer数+2)，之后逐层为上一层的1/2

高危风险：对业务数据（如：用户账号、密码、银行卡密码等等）有窃取风险或者后门；对业务核心代码存在泄露得分析或者后门；严重漏洞 中危风险：对应用代码的不符合安全开发规范，有被第三方利用的风险；对应用内部文件存在数据被读取风险 低危风险：对应用代码有安全隐患，风险低

系统收录了疾病近30000多种，记录近36000条，其中包含中医疾病编码和中医病征编码近2500条，内容全面准确，是目前国内最完备的，最新的ICD-10编码查询系统，是各种综合性医院和中医医院病案编码人员的得力助手。 系统主要包括ICD-10编码、附码、疾病名称、拼音码、性别限制、疗效限制等内容。支持疾病、疾病分类的双向查询，支持拼音、汉字名称和ICD-10编码的模糊查询，支持疾病编码导出到EXCEL电子表格、EXCEL打印和普通打印功能，支持用户的任意添加、修改和删除疾病编码功能，具有高度的可扩展性。 该版本下载为试用版本，用户试用满意后，通过购买注册，即可成为正式版用户，数据无需另外移植。您可以免费使用我们的非注册版本，基本没有功能限制，但有使用次数上的限制。如果您试用后感觉我们的产品适合您的需要请您注册购买。购买正版产品后您将获得终身免费升级和优质的服务。 与电子辞典、软件、表格等类似产品相比，本产品具有功能强大，使用方便，扩展性好，价格低廉等优点。

RNN自动编码器 我研究tensorflow和RNN＆RNN autoenc和代码。 我使用的是midi文件中的音乐旋律数据。 内容 基本RNN RNN自动编码器（LSTM自动编码器）（参考： ） 描述 1.基本的RNN 我在张量流代码中实现了基本的RNN结构。 2. RNN自动编码器 我在张量流代码中实现了RNN自动编码器结构。 它由RNN编码器和RNN解码器组成。 编码器的最终状态用作通用自动编码器的压缩空间。 解码器的输入是学习时的学习数据序列，但是当用于输出时，输出返回到输入。 代码 模型（仍在编辑中） RNN_AE_model_decoder_dynamic：在张量流中使用动态rnn的模型 RNN_AE_model_decoder_feedback：使用带有for循环的单元格进行建模 火车：火车模型 测试：使用经过训练的模型生成新序列 util：实用程序代码

用于机器翻译的 RNN 编码器解码器 介绍 在基于短语的机器翻译中，通常使用无监督对齐方法提取短语对。 这些本质上通常是生成性的对齐方法无法结合关于语言完整性和短语对质量的其他度量的信息。 因此，提取的短语对通常相当嘈杂。 在不偏离常规短语提取程序的情况下使用这些短语对的一种方法是为每个短语对使用附加特征，然后使用判别训练学习这些特征的权重，其目标是区分好假设和坏假设。 随着最近在机器翻译中使用神经网络，我们有能力将可变长度的句子表示为固定大小的向量表示。 这种表示可以基于我们认为有用的任何质量度量来创建。 一旦我们根据语言的某些属性（语法、语义）获得句子/短语的向量表示，就相对容易问自己一个短语对有多好。 该项目建立在这项工作和其他神经机器翻译工作的基础上，以估计短语对的短语相似度。 评估将通过将此指标用作基于短语的翻译和短语表修剪中的另一个特征来进行。 短语相似度 使用无监督对齐进行短

Peano码编码模型

用于Arduino PRO mini的最简单的125k RFID标签读取器。 使用arduino pro mini +电容器+线圈制作125k曼彻斯特编码的RFID标签读取器。 有关信息，请参见connection.png。 使用472（4.7nF）的电容器和345uH的线圈。 您可以通过缠绕3厘米直径的83发子弹来制作线圈。