加权自适应实例归一化的一键式语音转换 ，*，*，，（ 。 此仓库是的正式实现。 音频样本可在。 依存关系 python 3.6.0 pytorch 1.4.0 pyyaml 5.4.1 numpy的1.19.5 librosa 0.8.0 声音文件0.10.2 tensorboardX 2.1 预处理 在运行此项目之前，您需要先准备什么以及如何准备它们 我们使用作为声码器，并使用作为数据集。 如果您想运行我们的项目，请首先按照ParallelWaveGAN项目的说明进行安装。 然后像ParallelWaveGAN一样准备所有的Mel谱图数据。 准备speaker_used.json自己的文件，如./data/80_train_speaker_used.json和./data/fine_tune_speaker_used.json表演。 通过运行./convert

指数加权移动平均 (EWMA) 标准差对不同的回报应用不同的权重。 最近的回报对方差的影响更大。 指数加权移动平均 (EWMA) 引入了 lambda，称为平滑参数。 Lambda 必须小于 1。

EnableTelnetAccessForHG2534C1_v0.1 将 192.168.1.1 替换成你的光猫的 IP 地址 开启 HG2534C1 的 Telnet 访问 或者在浏览器中访问下面的地址

本文考虑了具有任意随机延迟的网络跟踪系统的通用延迟卡尔曼滤波器的设计。 首先，给出了传统卡尔曼滤波器（WSFKF）的等效加权求和形式，以提供一种新颖的帧来更有效地解决延迟滤波或失序测量（OOSM）估计。 实际上，这种形式充分利用了离线参数计算的特性，用于卡尔曼滤波器以及初始状态估计值和有序测量值的加权和，它们分别来自线性时不变（LTI）系统和线性最小均方误差（LMMSE）估算器。 其次，在时延测量和自适应在线加权系数矩阵的创新基础上，结合全局测量预测的替换和补偿运算，设计了一种适用于任意随机时延的新型时延卡尔曼滤波器。 与目前的延迟滤波器或OOSMs更新方法相比，该延迟估计器不仅算法结构更简洁，估计精度更高，而且应用范围更广。 通过实例验证了本文提出的时延估计器的有效性。

参考文献：任静敏，潘大志《带权重的贪心萤火虫算法求解0-1背包问题》，用MATLAB实现改进萤火虫算法（WGFA），对基本的萤火虫算法进行改进，加入线性递减惯性权重，用贪心算法修复不可行解，加入变异算子提高全局搜索能力。

这是一个简单的脚本，它生成 Legendre-Gauss 权重和节点，用于计算某个区间 [a,b] 上连续函数的定积分。 鼓励用户改进和重新分发此脚本。 另请参阅脚本 Chebyshev-Gauss-Lobatto 正交（文件 ID 4461）。

mask rcnn 模型在COCO数据集上预训练权重mask_rcnn_coco.h5

该程序用于使用 Benoît Roux (Roux B. Comput Phys Comm. 1995;91:275–) 的工作中概述的加权直方图分析方法 (WHAM) 从伞状采样模拟中计算平均力 (PMF) 的潜力282.）。 该程序尚未经过彻底测试！！！ 该计划的当前限制包括： 仅可用于 GROMACS 模拟包中的数据。 仅可用于一维 PMF。 输入数据必须是来自 GROMACS 的 pullx.xvg 格式，尚未实现 pullf.xvg 的使用。 几个重要参数是硬编码的，包括温度和直方图范围。 此程序需要以下库： Boost 库（特别是 boost 文件系统、boost 系统和 boost program_options） 该计划存在的主要原因是： 我需要彻底了解WHAM的实现。 Grossfield 的 wham 程序需要一个复杂的元数据文件。 该文件中的大部

前言 RTAB-Map (Real-Time Appearance-Based Mapping)自2013年起作为开源库分发，最初是一种基于特征的回环检测方法，具有内存管理功能，可以处理大规模和长期的在线操作。然后，它开始在各种机器人和移动平台上实现同步定位和建图（SLAM）。 目的 ​ 提供一个与时间和尺度无关的基于外观的定位与构图解决方案。 ​ 针对解决大型环境中的在线闭环检测问题。 思想 RTAB-Map用于基于外观的实时建图[Labb ́e and Michaud, 2013,Labb ́e and Michaud, 2017], 是一个通过内存管理方法实现回环检测的开源库，。从限制地

针对传统的机器学习算法对不平衡数据集的少类分类准确率不高的问题，基于支持向量机和模糊聚类，提出一种不平衡数据加权集成学习算法。首先提出加权支持向量机模型（Weighted Support Vector Machine，WSVM），该模型根据不同类别数据所占比例的不同，为各类别分配不同的权重，然后将WSVM与模糊聚类结合提出一种新的集成学习算法。将本文提出的算法应用于人造数据集和UCI数据集实验中，实验结果表明，所提出的算法能够有效地解决不平衡数据的分类问题，具有更好的分类性能。