用于交通信号控制的Deep Q学习代理 深入的Q-Learning强化学习代理尝试在交叉路口选择正确的交通信号灯相位以最大化交通效率的框架。 我已将其上传到此处，以帮助任何人寻找通过SUMO进行深度强化学习的良好起点。 这段代码是从我的硕士论文中提取的，它代表了我的论文工作所用代码的简化版本。 我希望您可以找到此存储库对您的项目有用。 入门 这些说明将为您提供在本地计算机上运行的项目的副本。 我认为，以下是最简单的步骤，以便以最少的工作量从头开始运行算法。 强烈建议使用配备NVIDIA GPU的计算机。 下载Anaconda（）并安装。 下载SUMO（ ）并安装。 按照简短指南正确正确地安装tensorflow-gpu，不会出现问题。 简而言之，该指南告诉您打开Anaconda Prompt或任何终端，然后键入以下命令： conda create --name tf_gpu ac

2014年最新版数字信号处理的fpga实现，增加了图像处理方面等内容。页数达到900多页

Digital Signal Processing Principles Algorithms and Applications 3rd Edition 数字信号处理神作 推荐

书名：Digital Signal Processing: A Computer-Based Approach 版次：Third Edition 作者：Sanjit K. Mitra 章节：Chapter 07

MyoWebToolkit 现场演示模拟 需要Myo设备。 否则，仅使用W，A，S，D键移动肩关节（不激活肌肉）。 它是什么？ 这是Myo执行以下操作的一系列工具： 远程数据记录 数据可视化 手势模拟 用于研究肌电图，肌肉，力量，骨骼运动，手势的工具包 以及更多： Dimitrios Ververidis，Sotirios Karavarsamis，Spiros Nikolopoulos和Ioannis Kompatsiaris。 2016年。利用Myo传感器和前臂解剖学对陶器手势进行比较。 在第三届国际运动与计算研讨会（MOCO '16）的议事录中。 ACM，美国纽约，纽约，第3条，第8页。 DOI： ： 要求 服务器您将需要： Muscle模拟器模块的Apache服务器，例如XAMPP 记录模块的Apache和Node.js 客户 您需要使用Chrome或Firefo

Signal Analysis，Papoulis 经典名著

很好的一本书，美国大学的教材，欢迎朋友们下载学习。

Jx-EEGT：脑电图（EEG）特征提取工具箱 《迈向人才科学家：共享与学习》--- 介绍 此工具箱提供 30 种类型的 EEG 功能 A_Main文件显示了如何使用生成的样本信号应用特征提取方法。 输入 X : 信号 (1 x样本) opts : 参数设置（有些方法有参数：参考） 输出 feat ：特征向量（您可以使用其他名称，如f2等） 用法 采用主函数jfeeg进行特征提取。 您可以通过将'me'更改为来切换方法 如果你想提取平均能量（ ME ），那么你可以写 feat = jfeeg('me', X); 如果你想提取 hjorth 活动（ HA ），那么你可以写 feat = jfeeg('ha', X); 示例 1：提取 3 个正常特征（不带参数） % Generate a sample random signal X fs = 500; %

这是关于信号处理的电子书，高清，最新版本，经典著作，英文版

nara_wpe 语音混响的加权预测误差 由外壳中的反射引起的背景噪声和信号混响是声信号处理和远场语音识别中的两个主要障碍。 这项工作解决了基于WPE的信号去混响技术，用于语音识别和其他远场应用。 WPE是一种令人信服的算法，它可以基于长期线性预测来盲目地消除声学信号。 主要算法基于以下论文：吉冈，拓，和中谷智宏。 “用于盲MIMO脉冲响应缩短的多通道线性预测方法的推广。” IEEE音频，语音和语言处理交易20.10（2012）：2707-2720。 内容 迭代脱机WPE /块在线WPE /递归帧在线WPE 所有的算法都在Numpy和TensorFlow中实现（适用于1.12.0版）。 经过Python 2.7、3.5和3.6的持续测试。 自动生成的文档： 模块化设计，方便进行更改以进行进一步的研究 安装 如果您只想使用它，请直接通过Pip安装它： pip install na