pytorch 在torchvision包里面有很多的的打包好的数据集，例如minist,Imagenet-12,CIFAR10 和CIFAR100。在torchvision的dataset包里面，用的时候直接调用就行了。具体的调用格式可以去看文档（目前好像只有英文的）。网上也有很多源代码。 不过，当我们想利用自己制作的数据集来训练网络模型时，就要有自己的方法了。pytorch在torchvision.dataset包里面封装过一个函数ImageFolder（）。这个函数功能很强大，只要你直接将数据集路径保存为例如“train/1/1.jpg ,rain/1/2.jpg …… ”就可以根据根目

esp32TTGO_i2s_scope 演示视频，为 随时给我任何建议。 这项简单的工作可以满足我当时的需求，并且还有很大的改进空间。 项目描述 一个简单的1Msps单通道示波器，带ESP32-TTGO上的TFT显示屏。（ ） 功能v0.3 单通道 1Msps 50000 @ 16位缓冲区（1Msps时50ms的数据） 以1Msps的速率从10us / div扩展到5ms / div 使用2个板载按钮进行非常慢的控制（梦想着旋转编码器） 频率计算（由于缓冲区大小，最少20hz） 简单的均值滤波器开/关 最大，最小，平均和峰峰值电压 时间和电压偏移 模拟，数字/数据模式 单触发 自动量程 经过测试并致力于： 脉宽调制 80Khz正弦波 40Hz正弦波 串行115200bps 电吉他原始信号（从82hz到1.3khz，<100mV峰到峰） 保持思想以保护您的ADC端口

单通道视频融合网络控制播放器，可以播放MOV和MP4等视频格式。在局域网内，通过TCP或UDP协议，控制视频播放器。 软件本身无任何控制按钮，所有播放控制均能过网络SOCKET TCP和UDP协议控制，控制指令包括：播放，暂停，停止，静音，音量加，音量减，视频切换等。软件包内附带控制端演示程序一套。 融合调整方法：在软件启动后5秒内按下键盘上的 F9 键即进入融合调整模式。使用鼠标拖动画面上的8个调整点。设置完成后点击保存，重新启动程序,等待5秒自动进入播放模式。

基于STM32的ADC实验(单通道)

0653、CMOS单通道调制电路.zip

代码1：STM32使用DMA1通道1进行采集数据，串口进行打印--中断形式采集数据 代码2：STM32使用DMA1通道1进行数据采集串口打印-DMA形式采集数据

Vold-Kalman 第二代、多阶、同时阶跟踪代码 (vkm.m)。 此方法适用于提取多个交叉订单。 由 Scot McNeill 撰写，因为我厌倦了无法访问 VK 方法研究并决定自己编程。 Jiri Tuma 教授在以下出版物中发布了单阶例程 (MyVoldKalman2.m) 的 m 代码他的网站[1]。 请注意，MyVoldKalman2.m 也发表在 Matlab 会议论文中。 然而，用于同时多阶实现 [2] 的 M 代码没有发布。 请注意，Tuma 教授发布了他所有 VK 例程的 p 文件，包括同时、多阶跟踪例程。 P 文件在我使用的 Matlab (2007a) 上不起作用，所以我只是决定自己实现 [2]。 我为其他人提供了这个初稿实现（vkm.m） 研究人员。 提供 M 代码。 附加例程 vk2.m，它执行第二代、单阶、非交叉阶跟踪基于 MyVoldKalman2

用于单通道语音分离的深度聚类 “用于分割和分离的深度聚类判别嵌入”的实现 要求 参见 用法 在.yaml文件中配置实验，例如： train.yaml 训练： python ./train_dcnet.py --config conf/train.yaml --num-epoches 20 > train.log 2>&1 & 推理： python ./separate.py --num-spks 2 $mdl_dir/train.yaml $mdl_dir/final.pkl egs.scp 实验 配置 时代 调频 FF 毫米 FF /毫米 AVG 25 11.42 6.85 7.88 7.36 9.54 问与答 .scp文件的格式？ wav.scp文件的格式遵循kaldi工具箱中的定义。 每行包含一个key value对，其中key是索引音频文件的唯一字符串，而值

设计并实现了基于便携式单通道脑机接口的小车控制系统。该系统利用TGAM1_R2.4A模块采集人脑前额FP1处的脑电信号，通过蓝牙模块将信号传送至STM32控制单元。系统使用人脑专注度控制小车速度，利用眨眼信号结合方向指示灯控制小车运动方向。测试结果表明，该系统控制小车的速度和方向具有反应灵敏、稳定性较高的特点，该技术可以推广至对电动轮椅的控制。

根据语音信号降噪的问题， 我们建议 一种新颖的方法 在本文中，其中COMBIN ES Èmpirical模式分解（EMD），小波阈值去噪和我ndependent参照（ICA-R）成分分析。 因为只有一个混合记录，所以实际上是一个单通道独立分量分析（SCICA）问题，用传统的ICA方法很难解决。 EMD是 利用扩大 单-信道预先接收到的信号分成几个我ntrinsic模式功能（IMF分量），所以多维的传统ICA变得适用。 开始步骤，所接收的信号被分段来减少处理延迟。 其次，将小波阈值处理应用于噪声占主导的IMF 。 最后，引入快速ICA-R从处理后的IMF中提取目标语音成分，该IMF的参考信号是通过组合高阶IMF来构造的。 该模拟是在不同的噪声水平进行，所提出的方法的性能与EMD相比，小波阈值，EMD-小波和EMD-ICA接近。 仿真结果表明，所提出的方法表现出优异的性能去噪特别是当信号-到- 信噪比低，具有一半短的运行时间。