用于双 API 的音序器

Gordon经典之作，值得一读，适合信号处理、系统控制与计算机视觉等相关人员

2D卷积神经网络推荐系统

粒子滤波器方面的经典教程 Sequential Monte Carlo Methods in Practice。 粒子滤波器方面的经典教程，包括改进粒子滤波器估计性能的方法。文件扫描清楚，便于阅读 Monte Carlo methods are revolutionizing the on-line analysis of data in many fileds. They have made it possible to solve numerically many complex, non-standard problems that were previously intractable. This book presents the first comprehensive treatment of these techniques. 粒子滤波

Communicating Sequential Processes.pdf

以前的大多数顺序模式挖掘算法都花了很长时间处理投影数据库，这会导致大量的时间成本。 本文定义了序列x在其前缀序列y上的前缀序列的概念，并提出了一种基于前缀分析的序列模式挖掘算法PPrefixspan。 根据扫描序列数据库SD，获得所有1个长度的序列模式。 比较顺序模式的数量和最小支持数，如果前者小于后者，则将其直接丢弃，并且只能构建投影数据库中的频繁项。 减少了投影数据库中挖掘顺序模式的执行时间。 提出了一种基于前缀的增量前缀范围算法PIN-Prefixspan来处理动态数据库，利用原始序列数据库的频繁模式挖掘结果来提高更新序列数据库的挖掘效率。 实验结果表明，PIN-Prefixspan的时间成本效率更高。

一般的加权顺序模式挖掘算法会忽略或没有充分利用时间和数据元素的时间间隔信息。 除了某些算法需要扫描数据库外时间或建立临时数据库。 为了解决这些问题，我们提出了一种基于内存的算法MITWCSpan（用于时间间隔加权封闭式顺序模式挖掘的内存索引），用于区间加权封闭顺序模式挖掘。 该算法充分考虑了重要性数据元素的时间间隔。 此外，基于时间间隔p-tidx的改进索引集是定义。 在挖掘过程中，该算法递归采用“查找-然后-索引”技术来查找可以构成时间间隔加权顺序模式并构造p-tidx的项目可能的顺序模式。 最后，算法使用闭合检测得到整个时间间隔加权封闭顺序模式。 实验结果表明，该算法更加有效。 寻找更重要的顺序模式。

通过询问组测试查询来从有限集合S = {1,2，…， n }中检测未知元素x ∗是经典的组合优化问题。 我们考虑问题的一个变化，就是我们所说的骗子搜索游戏小套[N，E，≤k]和制定，如下所示：两名球员，说保罗和Carole，修复整数k≥1，M> 0， Ë≥0提前。 保罗问大小的限制查询，发现X *：“为X *在A”，其中A⊆S和| 一个|≤ķ。 Carole回答“是”或“否”，以告诉x ∗是否属于A。 卡洛尔最多可以说谎e次。 如果保罗在m轮内发现x ∗，他将获胜； 否则，Carole获胜。 我们的目标是确定m的最小值，以确保Paul获胜。 令f（N，E，≤k）的=分钟{M |保罗赢得游戏[N

presentation

并发程序的验证方法和基础.对于编写并行程序、并行程序测试、程序正确性验证等方面的同学值得一看