东方财富的java笔试题STOCK_PRICE_FINBERT 以guba的评论为初始语料，利用Finbert模型分析中文评论的极性，预测股价上涨。 项目性质 该项目主要由爬虫、Finbert模型和假设检验组成。 爬虫技术使用Xpath和Json技术在东方财富网的股票吧论坛上爬取了20W的评论。 Finbert 模型支持逐层解冻和梯度累积。 同时，每个epoch对数据集进行随机分割，不仅增加了模型训练的随机性，降低了过拟合的风险，而且可以在一定程度上缓解小样本的问题。 最后封装了bert模型，方便以后的模型扩展，给Finbert赋予了Sklearn接口。 假设检验用于评估一定时期内极性与股票收益的相关程度。 代码的使用 单击下面的链接下载预训练的 bert 模型并将其放置在 /models/language_model/ 中。 待解决的问题 社会评论话题分散，大量脏数据难以清理，严重影响模型性能。

基于STM32F107的四路互补SPWM信号产生，使用高级定时器1 PA8,PA9,PB13,PB14四路SPWM信号。周期性改变PWM占空比，亲测可通过H桥经LC滤波后产生50HZ正弦波。单极性调制方式

单相单极性SPWM逆变电路simulink仿真，可以用来学习。 学习链接：https://blog.csdn.net/qq_39400324/article/details/122497197?spm=1001.2014.3001.5501

用到子函数sigexpand，示意双极性NRZ基带信号经过带宽受限信号造成的码间干扰及其眼图，文件名为：mjgr.m。资源的具体要求见图片——资源描述.PNG

常用极性反接保护电路

HGY型伏安特性变比极性综合测试仪使用说明.pdf

IMDB_Sentiment_Analysis 鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而

 ICL7660是Maxim公司生产的小功率极性反转电源转换器。该集成电路与TC7662ACPA MAX1044  的内部电路  及引脚功能完全一致，可以直接替换。

卷积神经网络（CNN）的文本分类 这是一个使用CNN对文本文档/句子进行分类的项目。 您可以在和的博客条目中找到类似方法的精彩介绍。 我的方法与Denny和Yoon Kim的原始论文[1]相似。 您也可以在找到Yoon Kim的实现。 ***更新***-2019年12月15日：版本0.2.0的更改 我已将代码更新为TensorFlow2。此外，我在jupyter笔记本中进行了一些更改： 删除Yelp数据集 为IMDB添加TensorFlow数据集 ***更新***-2019年5月17日：0.1.0版中的更改 模型： 将字级与基于字符的输入相结合。 char输入ist是可选的，可以用于进一步

它包括PCM编码和解码。 即在 Polar 码中采样、量化和编码