1.Yolov7目标检测与实例分割的C++推理代码，
2.开发环境，开发环境是win10,OpenCV4.5,NCNN，IDE 是Vs2019。
3.关于源码配置可以看我的博客，有详细的步骤。
2022-10-20 12:05:10
126.29MB
将专家系统用于确定发酵过程生物量软测量混合模型的结构，有利于提高软测量模型的精度，并且使其具有通用性和开放性。在分析发酵过程生物量软测量机理模型结构的基础上，定义了模型复杂度；提出了基于匹配度的广度优先推理方法，给出了匹配度的计算方法；实现了用于确定发酵过程生物量软测量混合模型结构的推理过程。实验表明，与基于穷举法的深度优先推理方法比较，基于匹配度的广度优先推理方法能够有效地减少推理的步数，降低模型复杂度，提高推理效率。
2022-10-14 16:09:58
691KB
1
针对机床主轴热误差补偿过程中现有建模方法的不足，提出一种新的热误差建模算法。首先应用FCM（模糊C-均值聚类）算法将众多温度测点予以分类，减少测点数量，提高测量精度；其次应用GCA（灰色关联分析）算法对同类测点的热敏感度进行排序，选出该类中的关键测点；最后以优选出的测点为输入变量，以热位移为输出变量，利用ANFIS进行热误差模型设计，并与BP算法建立的模型进行了比较。实验数据表明，该方法降低了机床热误差，具有预测精度高的优点，能较好地实现机床主轴热误差的补偿。
2022-10-08 20:54:18
1.45MB
1
c# 调用yolov7-tiny，使用openchsharp加载.weights 和.cfg文件，进行推理。i5 10400 的 total时间 在25ms左右。
2022-10-08 10:42:01
125.74MB
1
人们为什么认为公然不准确的新闻标题（“假新闻”）？ 我们是使用推理能力说服自己相信与我们的意识形态相符的陈述是真实的，还是通过推理使我们能够有效地将假冒伪劣与真实性区分开来，而不管政治意识形态为何？ 在这里，我们使用认知反射测验（CRT）作为参与分析推理倾向的一种量度，在两项研究（总共N = 3,446名机械土耳其工人）中测试了这些竞争帐户。 我们发现，CRT性能与假新闻的感知准确性负相关，并且与从真实新闻中辨别假新闻的能力正相关-甚至对于与个人政治意识形态相称的标题也是如此。 而且，从思想上讲一致的标题上总的分辨力实际上要好于在思想上不一致的头条。 最后，标题级分析发现CRT与相对不可信（主要是假）标题的感知准确性负相关，与相对合理（主要是真实）标题的感知准确性正相关。 相反，CRT与感知准确性之间的相关性与标题与参与者的意识形态对齐的紧密程度无关。 因此，我们得出结论，无论故事是与一个人的政治思想观念相一致还是相悖，都可以使用分析性思维来评估标题的合理性。 因此，我们的发现表明，对伪造新闻的易感性更多地是由懒惰的思维驱动，而不是由游击党本身的偏见所驱动，这一发现为反击伪造新闻开辟了潜在的途径。
2022-10-03 23:06:07
2.9MB
1
内含项目的源代码，实现简单的产生式推理机功能，适合初学人工智能推理章节者或要交人工智能课程设计者，内有该章节的ppt，并附上了该程序设计报告
2022-09-29 14:37:33
323KB
1
本书对计算机科学方面的数理逻辑进行了综合介绍，涵盖命题逻辑、谓词逻辑、模态逻辑与代理、二叉判定图、模型检测和程序验证等内容。本书主要讨论有关软硬件规范和验证这一主题，反映了计算机科学中数理逻辑的新发展和实际需要。第2版新增了可满足性算法、L6wenheim—Skolem定理等，并介绍了Alloy语言和NuSMV工具等内容。
2022-09-28 14:41:11
11.82MB
1
本课程包括下面6个经典目标检测算法模型的讲解：
1.基于自己数据集的Faster RCNN模型训练、验证以及nnie上仿真和运行。
2.基于自己数据集的RFCN模型训练、验证以及nnie上仿真和运行。
3.基于自己数据集的SSD模型训练、验证以及nnie上仿真和运行。
4.基于自己数据集的MobilenetSSD模型训练、验证以及nnie上仿真和运行。
5.Yolov2模型验证以及nnie上仿真和运行。
6.Yolov3tiny模型验证以及nnie上仿真和运行。
本课程特色：
1.实用性强，几乎囊括了当前所有经典的目标检测算法模型。
2.有深度。从模型框架原理、搭建、训练自己数据集一直讲到模型量化成wk文件、仿真以及开发板上运行。
2022-09-26 17:14:36
629.02MB
1
推荐知识的增强知识图推理
该存储库包含SIGIR 2019论文“” [2]的源代码。
数据集
“ data /”目录中有两个Amazon数据集（Amazon_Beauty，Amazon_Cellphones），并且拆分与[1]一致。 本文中使用的所有四个数据集都可以下载。
要求
Python> = 3.6
PyTorch = 1.0
如何运行代码
首先处理数据：
python preprocess.py --dataset < dataset>
“ ”应该是“ cd”，“ beauty”，“ cloth”，“ cell”之一（请参阅utils.py）。
训练知识图嵌入（在这种情况下为TransE）：
python train_transe_model.py --dataset < dataset>
训练RL代理商：
pyth
2022-09-23 23:44:15
63.58MB
1