网络视频集中管理系统General_CMS_V3.0.9.18.T.20130629.zip
2023-03-14 10:51:58
7.56MB
1
本套系统旨在 ” 带领大家搭建起公司内部的一套高可用支持TLS/SSL加密的统一账号管理系统OpenLDAP” ,但同样也如实告诉大家一点：这个教程并没有特深入的讲解 OpenLDAP 的理论知识，更加深入的学习，任重而道远，让我们共同探索未来的道路。
2023-01-25 01:32:10
3.2MB
1
MATLAB用拟合出的代码绘图异常检测
将执行异常检测算法以检测数据集中的异常行为。
在提供的示例中，我们将检测服务器计算机中的异常行为。
我将首先通过一个简单的数据集演示异常检测算法（每个示例仅由两个功能来描述），以便我们可以直观地看到该算法的功能。
然后，我们将转到一个更现实的数据集（每个示例均由11个功能描述）。
但是，该算法也可以应用于您自己的数据集！
这种异常检测算法是根据Andrew
Cg在Coursera上的机器学习课程的第八部分的第一部分改编而来的。
运行项目
确保已安装MATLAB或Octave。
将项目克隆到本地计算机。
运行anomalydetection.m。
对于指导性实施，您可以运行实时脚本AnomalyDetection.mlx。
项目详情
将实施异常检测算法以检测服务器计算机中的异常行为。
但是，此数据集是任意的，该算法也可以应用于您的数据集！
在我们的第一个示例中，这些功能测量每个服务器响应的吞吐量（mb
/
s）和等待时间（ms）。
提供了一个示例数据集，其中m
=
307个有关服务器行为方式的示例。
因此，我们有一个未标记的数据集。
怀疑这些示例中
2023-01-23 11:07:38
631KB
1
图片字幕
介绍
建立一个模型以从图像生成字幕。 给定图像后，模型可以用英语描述图像中的内容。 为了实现这一点，我们的模型由一个编码器（一个CNN）和一个解码器（一个RNN）组成。 为CNN编码器提供了用于分类任务的图像，其输出被馈送到RNN解码器，后者输出英语句子。
该模型及其超参数的调整基于论文和。
我们使用微软Çommon在CO NTEXT（MS COCO）O bjects为这个项目。 它是用于场景理解的大规模数据集。 该数据集通常用于训练和基准化对象检测，分段和字幕算法。 有关下载数据的说明，请参见下面的“数据”部分。
代码
该代码可以分为两类：
笔记本-该项目的主要代码由一系列Jupyter笔记本构成：
0_Dataset.ipynb介绍数据集并绘制一些样本图像。
1_Preliminaries.ipynb加载和预处理数据并使用模型进行实验。
2_Training.ip
2023-01-02 13:00:14
2.09MB
1
文档是Q/GDW 376—2012《电力用户用电信息采集系统通信协议》的第二部分：
——Q/GDW 376.2《电力用户用电信息采集系统通信协议 第二部分：集中器本地通信模块接口协
议》
2022-12-28 18:18:46
817KB
1
聚类马氏距离代码MATLAB
SDCOR
用于大规模数据集中局部离群值检测的可扩展的基于密度的聚类
作者：
Sayyed-Ahmad
Naghavi-Nozad，Maryam
Amir
Haeri和Gianluigi
Folino
目录
抽象的：
本文提出了一种基于批量密度的聚类方法，用于大规模数据集中的局部离群值检测。
与众所周知的假定所有数据都驻留在内存中的传统算法不同，我们提出的方法具有可伸缩性，并且可以在有限的内存缓冲区范围内逐块处理输入数据。
在第一阶段建立一个临时的聚类模型；
然后，通过分析点的连续内存负载来逐步更新它。
随后，在可伸缩聚类结束时，获得原始聚类的近似结构。
最后，通过对整个数据集的另一次扫描并使用适当的标准，将偏远评分分配给称为SDCOR（基于可伸缩密度的聚类离群值比率）的每个对象。
对现实生活和综合数据集的评估表明，与需要将所有数据加载到内存中的最著名的传统基于密度的方法相比，该方法具有较低的线性时间复杂度，并且更加有效。
还有一些基于快速距离的方法，这些方法可以对磁盘中驻留的数据执行操作。
框架：
更详细地，所提出的方法包括三个主要阶段。
在第一阶段
2022-12-28 11:42:38
203.7MB
1