针对神经网络存在的过学习、欠学习、局部极小值等问题,提出了一种基于支持向量机(SVM)的数字调制方式的识别方法。从信号的瞬时幅度,瞬时相位,瞬时频率,频谱,包络变化等特性中提取了7个特征参数,用于训练支持向量机。运用二叉树理论设计多类分类器,与已有算法相比,具有简单、高速、高精度的特点。仿真结果证明,在高斯白噪声(AWGN)下,当信噪比大于15dB时,对2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK调制方式的识别率可以达到97%以上。

多摄像机人员跟踪和重新识别（使用视频） 用于“检测/跟踪”和“重新识别”不同摄像机/视频中的个人的简单模型。 介绍 该项目旨在跟踪不同角度的视频中的人。 用于完成此任务的框架分别依靠MOT和ReID来跟踪和重新标识人类的ID。 可以使用YOLO_v3或YOLO_v4来完成跟踪，并且ReID依赖于KaiyangZhou的Torchreid库。 安装 如果您的计算机上未安装 ，请下载 克隆存储库 git clone https : // github . com / samihormi / Multi - Camera - Person - Tracking - and - Re - Identification 创建项目环境 cd Multi - Camera - Person - Tracking - and - Re - Identification conda create

联邦蒸馏是联邦学习中的一种新的算法范式，使客户端能够训练不同的网络架构。在联邦蒸馏中，学生可以通过提取客户端对公共服务器数据的平均预测来学习他人的信息，而不会牺牲他们的个人数据隐私。然而，仅使用平均软标签作为所有学生的老师的方法会受到客户端草案的影响，尤其是当本地数据是异构时。软标签是模型之间的平均分类分数。在本文中，我们提出了一个新的框架FedMMD（基于多教师和多特征蒸馏的联邦学习），该框架对客户端之间的不同数据分布具有鲁棒性。FedMMD扩展了FD训练程序中的聚集阶段和蒸馏阶段。与在所有学生中共享同一教师的方法相反，FedMMD 为每个需要进行多次独立蒸馏的学生分配不同的教师。由于每个模型都可以单独视为教师，FedMMD解决了共享教师仅具有平均性能由平均软标签引起的问题。同时，在每次蒸馏中，FedMMD没有使用模型在公共数据上的平均软标签作为教师，而是引入了中间表示和软标签的组合作为蒸馏目标，以了解教师的更多信息细节。我们在两个公共数据集（CIFAR10和MINIST）上的广泛实验证明了所提出的方法的性能。

Saksham：可定制的基于x86的多核微处理器模拟器。 一个C ++项目，旨在创建一个平台，用于仿真基于x86的多核微处理器和汇编器系列的基本功能（寄存器和指令集）。 该项目是本文提出的概念的实现：https://ieeexplore.ieee.org/document/5231896文档：https://sourceforge.net/p/saksham/wiki/Home/

基于多特征的动态关键帧提取，张萌，张洪刚，关键帧提取是视频检索中一个基本的环节。进行关键帧提取的主要目的是从一个视频序列中提取出一部分能够图像帧序列，来降低对视频

数据融合matlab代码多模式精神工作量评估信号处理 此存储库包含用于处理生理多模态信号和从中提取特征的代码，如在SMC 2020上发表的题为“使用多传感器融合进行体育活动期间运动伪像-鲁棒性精神工作量评估”的论文中所述 预处理代码 这些是在matlab中实现的。 使用的信号：呼吸，心电图，血容量脉冲，皮肤电React和温度。 呼吸： 用于数据收集的设备：Bioharness 3 从18Hz到6Hz的数据下采样 使用IIR滤波器的低通滤波（<2Hz） 心电图（ECG） 用于数据收集的设备：Bioharness 3 使用五阶IIR滤波器的带通滤波（5Hz-25Hz） 使用基于能量的QRS检测算法提取RR系列（使用MHRV工具箱） 血容量脉冲（BVP） 使用Empatica E4收集的数据 使用五阶IIR滤波器的带通滤波（8Hz-30Hz） 皮肤电React（GSR） 使用Empatica E4收集的数据 下采样至4Hz 随后是分离相成分和补品成分 使用带五阶IIR滤波器的带通滤波器（0.1Hz-1Hz）完成 皮肤温度 使用Empatica E4收集的数据 带有40阶FIR滤波器的低通滤波

GoEmotions火炬手 使用实现Pytorch实现 什么是GoEmotions 数据集以28种情感标记为58000个Reddit评论 钦佩，娱乐，愤怒，烦恼，批准，关怀，困惑，好奇心，欲望，失望，不赞成，厌恶，尴尬，兴奋，恐惧，感激，悲伤，喜悦，爱，紧张，乐观，骄傲，意识到，缓解，后悔，悲伤，惊喜+中立 训练细节 使用基于bert-base-cased （与论文的代码相同） 在本文中，使用了3种分类法。 我还使用用于分类hierarchical grouping和ekman新分类标签制作了数据。 原始GoEmotions （27种情感+中性） 分层分组（正，负，模棱两可+中性） 艾克曼（愤怒，厌恶，恐惧，喜悦，悲伤，惊奇+中立） 词汇 我已分别将[unused1] ， [unused2]替换为[NAME]和[RELIGION] 。 [PAD] [NAME] [RELIGI

关系分类是自然语言处理领域的一项重要任务，能够为知识图谱的构建、问答系统和信息检索等提供技术支持.与传统关系分类方法相比较，基于神经网络和注意力机制的关系分类模型在各种关系分类任务中都获得了更出色的表现.以往的模型大多采用单层注意力机制，特征表达相对单一.因此本文在已有研究基础上，引入多头注意力机制（Multi-head attention），旨在让模型从不同表示空间上获取关于句子更多层面的信息，提高模型的特征表达能力.同时在现有的词向量和位置向量作为网络输入的基础上，进一步引入依存句法特征和相对核心谓词依赖特征，其中依存句法特征包括当前词的依存关系值和所依赖的父节点位置，从而使模型进一步获取更多的文本句法信息.在SemEval-2010任务8数据集上的实验结果证明，该方法相较之前的深度学习模型，性能有进一步提高.

FYP_code Final Year Project Multi-Pedestrian tracking MATLAB 源代码

Multi-factor-Model:使用多个alpha因子构建投资组合