调用百度语音识别API，Python SDK。并评估WER词错误率

贝叶斯决策 学习了一个学期的模式识别课程，老师讲的很好，深入浅出，无奈我脑子不够用没有理解到其中精髓，现在整理了一下听课笔记，以备以后需要时翻阅。这篇文章记录的是贝叶斯决策，其中包括最大后验、最大似然和贝叶斯决策的直观理解和数学理论。 关于先验和后验 关于什么是先验概率和后验概率， 余生最年轻在他的博客里解释的很好。先验(Priori )概率直观上理解，所谓“先”，就是在事情之前，即在事情发生之前事情发生的概率。是根据以往经验和分析得到的概率。比如抛硬币，我们都认为正面朝上的概率是0.5，这就是一种先验概率，在抛硬币前，我们只有常识。这个时候事情还没发生，我们进行概率判断。所谓的先验概率是对事情发生可能性猜测的数学表示。 后验(Posteriori)概率直观上理解是事情已经发生了，事情发生可能有很多原因，判断事情发生时由哪个原因引起的概率。

针对高风险背景下的混沌时间序列区间预测问题,首次将回声状态网络与一致性预测框架相结合,提出基于两者的混沌时间序列区间预测算法.该算法将回声状态网络的拟合能力与一致性预测区间的可靠性相结合,使得最终的预测区间包含被预测值的频率或概率可以被显著性水平参数所控制,即预测区间具有极高的可信度.同时,由于使用岭回归学习回声状态网络的输出权重,使得算法在学习阶段对样本的留一交叉估计可以被快速地计算,极大地缩短了一致性预测的学习时间.理论分析表明,所提出算法的时间复杂度等价于原始回声状态网络算法的时间复杂度,即算法具有较快的计算速度.实验表明,所提出算法能够较精确地控制预测的错误率,对噪声具有鲁棒性,且预测区间比基于高斯过程的预测区间更加准确地刻画了被预测值的波动范围.

最小错误率贝叶斯决策和最小风险贝叶斯决策matlab代码，贝叶斯决策理论方法，是统计模式识别中的一个基本方法。贝叶斯决策判据，既考虑了各类参考总体出现的概率大小，又考虑了因误判造成的损失大小，判别能力强。

关于dns优化的源码; 对于请求错误率与请求时长两个当面进行了优化; 提供了完备的配置项, 可根据业务灵活修改dns超时时间, dns可选服务器; 简单的介入, 一行代码即可接入项目; 经过线上验证, 稳定可用, 且明显改善网络请求数据;

实验目的： 理解贝叶斯最小错误率分类器的原理，根据实际问题，设计并实现一个最小错误率贝叶斯分类器。 实验内容： 对UCI数据库中的Iris数据集，利用贝叶斯分类器进行分类。

对三维空间特征的数据，通过最小错误率贝叶斯判别方式，对两类数据进行分类，并在空间中绘制出贝叶斯决策面

QPSK 调制方案采用字母 {+/1 +/-j}。 仿真模型生成 QPSK 字母表，通过加性高斯白噪声并对接收到的符号进行解码。 通过模拟计算的符号错误率与理论符号错误率非常匹配。 关于QPSK（4-QAM）误码率的理论推导说明，请参考帖子： http://www.dsplog.com/2007/11/06/symbol-error-rate-for-4-qam/

通过使用BPSK Constellation，1-by-1系统SER的Matlab仿真，1-by-2系统的Receive-MRC，2-by-1系统的Transmit Beamforming和Alamouti Code。 通道和噪声均为零均值。

Bonferroni-Holm（又名 Holm-Bonferroni）确定一系列假设是否仍然显着控制家庭错误率 (FWE) 并随后控制错误发现率 (FDR) Bonferroni-Holm 方法校正多重比较（假设检验） . 它不如 Bonferroni 校正保守，但更强大（因此 p 值更有可能保持显着）。 此函数接受来自 1 个或多个假设的原始 p 值，并输出 FWE 调整后的 p 值，以及指示在校正 FWE 后哪些 p 值在 alpha = 0.05 或其他 alpha 时仍然显着的逻辑数组。 有关说明，请参见功能代码。