波网 实现，用于音频源分离。 对于（改进的）Pytorch版本，请单击。 对于Tensorflow 2 / Keras中的第三方实施（不是我本人），请单击。 听的例子 听人声的分离结果和多仪器分离结果 什么是Wave-U-Net？ Wave-U-Net是一种适用于音频源分离任务的卷积神经网络，直接在原始音频波形上工作，中。 Wave-U-Net是U-Net架构对一维时域的一种改编，可以执行端到端音频源分离。 通过一系列涉及一维卷积的下采样和上采样块以及下采样/上采样过程，可以在抽象和时间分辨率的多个尺度/级别上计算特征，并进行组合以进行预测。 有关网络体系结构的摘要，请参见下图。 参加SiSec分离竞赛 Wave-U-Net还以提交和的参加了，并取得了良好的性能，特别是考虑到我们使用的数据集与许多其他提交相比所使用的有限数据集，尽管端到端数据处理更为耗时（我们还必须从数据中学习频

ICP实施 此任务的主要任务是从初始重叠区域开始，尽可能使两个3D几何图形对齐。 一种获得良好结果的广泛使用的算法称为“迭代最近点”（ICP）。 该算法输出由旋转矩阵和平移矢量形成的刚性变换作为输出。 这是为了解决最小化问题而完成的，其中最小化的误差定义如下： 其中p_i是我们要尝试保留的点，而q_i是参考点。 此外，R是我们要查找的旋转矩阵，而t是平移矢量。 当我们想计算最接近的点以匹配两次扫描时，而不是强行强制进行具有O（n ^ 2）复杂度的计算时，可以通过使用将点存储在其中的KD-tree数据结构来大大提高速度基于它们在空间中位置的树。 请注意，K表示点所在的维数，在这种情况下，我们有3D树。 因此，最近邻居搜索的时间复杂度下降为O（log（n））。 ICP的改进 二次抽样 一个非常直接的改进是尝试不使用两次扫描中的所有点。 有两种方法可以正确地对两个扫描进行二次采样，特别是一

TextObjects_1: 含方形和圆形粒子，可自主输入英文，控制粒子形态（大小/周期/相位/半径），含多种粒子效果（追随，游走等），以及根据音乐波形震动。

自然语言处理与灾难鸣叫Kaggle

Multidimensional.Signal.Image.and.Video.Processing.and.Coding.2nd.Ed

radar signal analysis and processing using matlab 英文版及其源代码

NI.LabVIEW.v8.6.Advanced.Signal.Processing.Toolkit-TBE的注册机

《爱上Processing》PDF版本下载

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

textacy：NLP，spaCy之前和之后 textacy是一个基于高性能spaCy库的Python库，用于执行各种自然语言处理（NLP）任务。 通过将基础知识-令牌化，词性标记，依赖项解析等-委托给另一个库， textacy主要关注于之前和之后的任务。 产品特点 通过用于处理一个或多个文档的便捷方法访问spaCy，并通过自定义扩展名和自动语言识别扩展其功能，从而为文本应用正确的spaCy管道 下载包含文本内容和元数据的数据集，从国会演讲到历史文献再到Reddit评论 轻松以多种常用格式在磁盘之间传输数据 清理，规范化和浏览原始文本-在使用spaCy处理之前 灵活地从处理过的文档中提取单词，n-gram，名词块，实体，首字母缩写词，关键词和其他感兴趣的元素 通过各种相似性指标比较字符串，集合和文档 对文档进行标记和向量化，然后训练，解释和可视化主题模型 计算各种文本可读性统计信息，包括Flesch-Kincaid等级水平，SMOG索引和多语种Flesch Reading Ease ...还有更多！ 链接 下载： : 文档： ： 源代码： : 错误跟踪程序： ： 维