特质波动率与股票预期收益的关系研究 --来自中国股票市场的证据，李冉，熊熊，股票的收益与投资风险之间的关系一直以来都是金融学理论研究的核心问题，尤其近年来，对于特质风险是否对股票预期收益产生影响的

AngularAgendaApp_Final 这是 Angular 议程通用应用程序 Stefan Kern ( ) 和 Johannes Mayer ( ) 为 2014 年 12 月 10 日在 IBM 维也纳举行的 Mobile Developer Afterwork (MDAW) 上的演示而创建的。 它通过来自 API 的 angular http 请求显示了当晚的议程，这也是项目的一部分。

典型相关分析matlab实现代码DCCA：深度规范相关分析 这是Python中的深度规范关联分析（DCCA或Deep CCA）的实现。 它需要安装Theano和Keras库。 DCCA是CCA的非线性版本，它使用神经网络代替线性变换器作为映射函数。 DCCA最初是在以下论文中提出的： Galen Andrew，Raman Arora，Jeff Bilmes，Karen Livescu，“”，ICML，2013年。 它使用带有Theano后端的Keras库，在Tensorflow后端上不起作用。 因为网络的丢失功能是由Theano编写的。 基本的建模网络可以轻松地被更高效，更强大的网络（如CNN）取代。 大多数配置和参数是根据以下文件设置的： Wang Weiran，Raman Arora，Karen Livescu和Jeff Bilmes。 “”，ICML，2015年。 数据集 该模型是在MNIST数据集的嘈杂版本上评估的。 我完全按照本文介绍的方式构建了数据集。 训练/验证/测试段是MNIST的原始段。 数据集很大，无法在GitHub上上传。 因此它被上传到另一台服务器上。 第一次执

Java 如果您计划使用 Java 开发您的条目，则需要下载并安装最新的。 示例机器人还使用 Maven 进行构建和依赖项管理 - 下面提供了安装它的详细说明。 Maven 安装 安装相当简单： Maven 是免费软件，可以在下载（本地镜像可用）。 按照包含的 README.txt 安装： 确保 JAVA_HOME 环境变量设置为 JDK 安装的根目录（例如，在 Windows 上：C:\Program Files\Java\jdk8）。 解压缩 .zip / .tar.gz 档案。 将解压目录中的 bin 文件夹添加到您的路径中。 通过启动一个新命令行并运行mvn --version来验证安装是否正常工作，它应该输出类似于： Apache Maven 3.3 . 1 (cab6659f9874fa96462afef40fcf6bc033d58c1c; 2015 - 03 -

API for finding zipcode in Taiwan This package is reference from . Installation $ npm install addrtozip Usage ####First you have to require the package. var addrtozip = require ( 'addrtozip' ) ; Send an address to query zipcode. addr : Required. An address for finding zipcode callback : Required. Callback will return a json contain zipcode and address. addrtozip . find ( addr , callback

数据库 我自己在 Java 中实现了 SortMergeJoin 和 HashJoin（来自 SQL 的著名 INNER JOIN）。 在更多信息。

阳光 来自 Udacity Android 课程的 Project Sunshine

用于非时间实时火灾检测的实验定义的卷积神经网络体系结构变体 [及后续工作：用于非时间实时火灾检测的紧凑型卷积神经网络体系结构的实验探索] 使用Python 3.7.x， ， 和（需要opencv额外模块-用于超像素分割的ximgproc模块） 架构： FireNet体系结构（以上） InceptionV1-OnFire架构（以上） InceptionV3-OnFire架构（以上） InceptionV4-OnFire架构（以上） 抽象： “在这项工作中，我们研究了在实时范围内自动检测视频（或静态）图像中火灾像素区域的方法，而无需依赖于时域场景信息。作为对该领域先前工作的扩展，我们考虑了

数据融合matlab代码整体嵌套边缘检测 由谢志远在圣地亚哥加州大学创建 介绍： 我们开发了一种新的边缘检测算法，即整体嵌套边缘检测（HED），该算法通过利用完全卷积神经网络和深度监督网络的深度学习模型来执行图像到图像的预测。 HED自动学习丰富的层次结构表示（在对副作用的深入监督指导下），这对于解决边缘和对象边界检测中的挑战性歧义非常重要。 我们大大提高了BSD500数据集（ODS F分数为.790）和NYU深度数据集（ODS F分数为.746）的最新技术，并且速度得到了提高（每秒钟0.4s图像）。 有关该系统的详细说明，请参见我们的。 引文 如果您使用的是出版物中此处提供的代码/模型/数据，请引用我们的论文： @InProceedings{xie15hed, author = {"Xie, Saining and Tu, Zhuowen"}, Title = {Holistically-Nested Edge Detection}, Booktitle = "Proceedings of IEEE International Conference on Computer Visio

matlab精度检验代码AI4AD_AFQ 基于多中心DTI数据的阿尔茨海默氏病分类的挑战 项目概况： 扩散张量成像（DTI）已被广泛用于显示结构完整性并通过扩散特性描述AD中的白质退化。 可以肯定的是，WM完整性度量对使用机器学习对AD进行分类是有效的。 该项目旨在评估和开发一种分析框架，以通过沿18个主要白质道的扩散测量（例如FA / MD等）对阿尔茨海默氏病分类（AD与正常对照，NC）的最佳性能进行比较。 目标是在交叉验证的样本中实现总体较高的预测准确性，并在不同站点实现较高的一致性。 其次，该项目的探索性目标是调查这些测量值可在多大程度上有助于预测轻度认知障碍（MCI），即MCI的分类。 项目介绍： 我们提供的数据由AFQ（自动光纤量化）管道（1、2）处理，该管道可以在多种位置（100个）量化八种扩散测量值（包括FA / MD / RD / AD / CL /曲率/扭转/体积）沿18个主要白质束的轨迹移动）。 我们的数据集包含来自七个不同站点的825个主题，其中提供700个主题供用户训练模型，左125个（无标签）将在11月15日左右发布。同时，我们提供了临床诊断（分类标签）和人