使用机器学习的信用卡欺诈检测 信用卡欺诈是一个日益严重的问题，面临许多挑战，包括时间漂移和严重的阶级失衡。 该项目尝试使用包括自适应合成采样方法（ADASYN）和合成少数采样率（SMOTE）在内的最新技术来解决班级不平衡问题。 2013年9月在欧洲进行的超过280k真实交易[1]被用作训练数据集。 比较了三种类型的机器学习模型：随机森林，支持向量机和多层感知器。 结果表明，不平衡数据集的最佳采样方法取决于数据集和所使用的模型。 该项目包含以下组件： a）PDF格式的IEEE风格论文 b）Jupyter Notebook进行了机器学习测试。 您可以运行视图并自己运行它们。 还包括注释，推理和数字。 为了方便起见，我在此git repo中包含了原始数据集的副本[1]，但是请参考原始资源以获取最新版本。 该项目是2017年冬季在滑铁卢大学进行的SYDE 522：机器学习的一部分。 安装 克隆项目： $ git clone https://github.com/yazanobeidi/fraud-detection.git && cd fraud-detection Pip安装依赖项

IEEE Standard for SystemVerilog— Unified Hardware Design, Specification, and Verification Language . IEEE Std 1800™-2012 (Revision of IEEE Std 1800-2009) IEEE 3 Park Avenue New York, NY 10016-5997 USA 21 February 2013 不用多说，懂的人都知道

IEEE发布的LATEX期刊论文模板，缺省的设置不能插入作者照片，现将其修改后，可以插入作者照片。需要的用户可下载压缩包，直接使用该包提供的文件来编写自己的论文。

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

这是PHM2009的数据集，文件中的csv第一列似乎是电压数据，第二列似乎也是电压数据，第三列是转速数据。而且赛事官方并没有给出文件对应的标签，可能需要查查2009的比赛结果。实验很好，可惜的是数据集是真的用不了。这个下载积分低一点，大家可以下载看看，有什么新的发现可以互相探讨。

14节点系统，可供潮流计算、有功网损、无功功率、电力系统无功优化

论文

关于paper期刊的选择，管理科学与运筹学相关。

完整英文电子版 IEEE Std 11073-20601-2014/Cor1-2015 Health informatics—Personal health device communication Part 20601：Application profile— Optimized Exchange Protocol Corrigendum 1(健康信息学—个人健康设备通信第 20601 部分：应用配置文件—优化交换协议勘误表 1)。本勘误消除了歧义并更正了 IEEE Std 11073-20601-2014 中已确定的错误命名法代码和限定符状态，以以可互操作的方式改进标准的实施。

完整英文电子版IEEE Std 11073-10441-2013 Health Informatics—Personal health device communication Part 10441：Device specialization— Cardiovascular fitness and activity monitor（ 健康信息学-个人健康设备通信第10441部分：设备专业-心血管健身和活动监测器）。本标准满足了对一个公开定义的独立标准的需求，用于控制个人健康设备和管理人员（例如，手机、个人计算机、个人健康设备和机顶盒）之间的信息交换。 互操作性是扩大这些设备的潜在市场并使人们能够更好地参与健康管理的关键。