LAPS - 左房压医疗影像分析系统 项目目录结构设计思路 LAPS Database 用以存放所有 应用程序中运行的数据的 文件 Docs 用以存放所有 文档 文件 Preinstall 用以存放所有 预装 文件以及相应的添加路径脚本文件 PyUI 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件 使用的方法是用的external tool的中的 PYUIC PyUI-test 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件，与PYUI文件夹存放的文件不同的是其中的文件是可直接执行的版本，用以测试使用。 使用的方法是用的external tool的中的 PYUIC-X Resource 用以存放所有的资源文件 Images 用以存放所有的 图像资源 文件 Sounds 用以存放所有的 音频资源 文件 Qss 用以存

matlab潮流计算含代码线路中断分布因子-LODF基于用户给定的分支中断数目-功率流- 项目博客文章链接在这里： 该项目需要使用快速解耦的XB版本根据用户给定的分支中断数来计算线路中断分布因子（LODF）。 LODF值用于基于偶发事件之前的事前分支流量和基本分支流量来估计事后事件分支流量。 将MW和MVA流量的AC功率流与DC方法进行比较。 在同一WinZip文件中提供了源代码，用于计算LODF值和近似的偶发事件后分支流。 结论： 我通过编写代码来确定摆动总线来开始程序流程，因为它在计算线路中断分布因子并简化B素数矩阵方面起着重要的作用。 主程序打印出每个分支号的清单，从总线到总线，并要求用户输入分支中断号。 该程序将仅测试4、5、6、7、8或9上的分支中断，并循环搜索更多请求，直到用户输入可接受的数字为止。 在为分支中断选择了选定的分支编号之后，将wcc9bus分支数据复制到新矩阵，并删除分支中断的相应行。 然后从缺少分支中断行的新分支矩阵形成B-素数矩阵。 然后，主程序调用LODF函数。 给定分支中断，wcc9bus分支数据和B-素数矩阵，LODF函数（computeLODF.m

yolov3-vehicle-detection-paddle 我的博客地址： vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和车辆类型识别） 今天我们使用 Paddle 开源的两个工具：PaddleDetection 和 X2Paddle 来进行一个车辆检测和类型识别的小demo~ 源码地址： 最终的检测效果如图： 一. PaddleDetection 简介： 源码地址： 官方文档： PaddleDetection 创立的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 简而言之就是，该工具使用百度开源的 Paddle 框架，集成了多种图像识别和目标检测框架，并且提供了相应的训练、推理和部署工具，使得用户可以自己 DIY 数据集和模型细节，实现深度学习落地应用的快速部

OSSEC是基于主机的入侵防护开源解决方案，本手册通过虚拟的业务场景描述OSSEC的主要功能、特性以及日常管理运维的方法。

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

OFDM传输、信道估计、PN序列、RS码实现、比较

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

GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op

基于Python的实用深度学习概述 如果你对机器学习很好奇，但不知道从哪里开始，这就是你一直在等待的书。它专注于被称为深度学习的机器学习子领域，解释了核心概念，并为您提供了开始构建自己的模型所需的基础。而不是简单地概述使用现有工具包的教程，实用深度学习教你为什么使用深度学习，并将激励你进一步探索。 你所需要的是对计算机编程和高中数学的基本熟悉——这本书将涵盖其余的内容。在介绍Python之后，您将浏览关键主题，如如何构建良好的训练数据集，使用scikit-learn和Keras库，并评估您的模型的性能。 您还将了解: 如何使用经典的机器学习模型，如k-最近邻，随机森林，和支持向量机 神经网络是如何工作的，又是如何训练的 如何使用卷积神经网络 如何从零开始开发一个成功的深度学习模型 您将在此过程中进行实验，构建最终的案例研究，其中包含您所学到的所有内容。 您将使用的所有代码都可以在这里获得: https://github.com/rkneusel9/PracticalDeepLearningPython/ 这是对这个动态的，不断扩大的领域的完美介绍，实用深度学习将给你的技能和信心潜入自己的机器学习项目。

Twenty-five years have passed since the publication of the Russian version of the book Estimation of Dependencies Based on Empirical Data (EDBED for short). Twentyfive years is a long period of time. During these years many things have happened. Looking back, one can see how rapidly life and technology have changed, and how slow and difficult it is to change the theoretical foundation of the technology and its philosophy. I pursued two goals writing this Afterword: to update the technical results presented in EDBED (the easy goal) and to describe a general picture of how the new ideas developed over these years (a much more difficult goal). The picture which I would like to present is a very personal (and therefore very biased) account of the development of one particular branch of science, Empirical Inference Science. Such accounts usually are not included in the content of technical publications. I have followed this rule in all of my previous books. But this time I would like to violate it for the following reasons. First of all, for me EDBED is the important milestone in the development of empirical inference theory and I would like to explain why. Second, during these years, there were a lot of discussions between supporters of the new paradigm (now it is called the VC theory1) and the old one (classical statistics). Being involved in these discussions from the very beginning I feel that it is my obligation to describe the main events. The story related to the book, which I would like to tell, is the story of how it is difficult to overcome existing prejudices (both scientific and social), and how one should be careful when evaluating and interpreting new technical concepts. This story can be split into three parts that reflect three main ideas in the development of empirical inference science: from the pure technical (mathematical) elements of the theory to a new paradigm in the philosophy of generalization. The first part of the story, which describes the mai