最全面的深圳产业转移图景

为克服水声多途干扰影响,提出将差分跳频技术应用于水声通信,通过分析水声多途信道下差分跳频信号的特征,利用频率转移函数的隐含信息和水声信道的多途特征,优化了频率序列检测的Vitervi硬判决算法,并详细给出了算法流程.在含有加性高斯白噪声的多途信道下进行了仿真.结果表明,采用优化算法的系统性能得到显著提高,在频率检测差错率为10×10-3时,获得了近2.5 dB的增益,表明差分跳频体制能有效克服多途干扰,适用于水声通信.

个人资料目录转移工具 beta 0.4.exe

异构共转移聚类的公共潜在空间识别

行人检测是视频监控中的一个基本问题，近年来已经取得了长足的进步。 然而，由于源训练样本和目标场景中行人样本之间的差异，在某些公共数据集上训练的通用行人检测器的性能在应用于某些特定场景时会明显下降。 另外，在目标场景中手动标记样本也是一项昂贵且费时的工作。 我们提出了一种新颖的转移学习框架，该框架可以自动将通用检测器转移到特定于场景的行人检测器，而无需手动标记目标场景中的训练样本。 在我们的方法中，我们通过对目标场景使用通用检测器来获得初始检测结果，我们将该结果称为目标样本。 我们使用了几种线索来过滤目标模板，从最初的检测结果中我们可以确定它们的标签。 高斯混合模型（GMM）用于获取每个视频帧中的运动区域和一些其他目标样本，这些目标样本无法被通用检测器检测到，因为这些目标样本距离摄像机较远。 目标样本和目标模板之间的相关性以及源样本和目标模板之间的相关性通过稀疏编码进行估算，然后用于计算源样本和目标样本的权重。 显着性检测是在源样本和目标模板之间进行相关性计算以消除非显着区域干扰之前的一项必不可少的工作。 所有这些考虑都是在单个目标函数下制定的，通过对所有这些样本添加基于稀疏编码的权重来

具有转移修复性质的最小存储再生码不存在

量身定制的Au / SiO2核/壳纳米粒子用于增强溶液中基于量子点和R-藻红蛋白的荧光共振能量转移效率。

鸟类 使用转移学习找出图片中是否包含笑翠鸟或凤头鹦鹉 与Kaggle猫与狗比赛相似，我决定使用神经网络对Kookaburras和Cockatoos进行分类（所以这更像澳大利亚！） 该模型内置于“ Birds-model”笔记本中，并基于Inception v3模型构建 测试数据集中模型的准确性为96％。

摘要：针对VisualStudio:registered:.NET、Microsoft:registered:VisualJ#:registered:.NET的MicrosoftJava语言开发工具，使程序员可以使用Java语言访问.NETFramework并构建应用程序。VisualJ#.NET不仅功能丰富而且可以提高生产率。本文提供了Windows基础类(WFC)库和.NETFramework类库的体系结构和功能集的概述和对比。（本文还包含英文链接。）目录简介WFC的当前状态WFC体系结构.NETFramework体系结构体系结构对比J++/WFC和J#/.NETFramework类之间的

转移学习