K2301D_MT_S112210.20210625.134334 update.zip
2024-02-25 23:57:25
899.57MB
1
三菱运动控制器软件MT developermt-developer11rar,三菱运动控制器软件MT developermt-developer11
2023-10-08 11:03:52
414KB
1
过采样和数字滤波有助于降低对ADC前置的抗混叠滤波器的要求。重构DAC可以通过类似的方式运用过采样和插值原理。例如，数字音频CD播放器常常采用过采样，其中来自CD的基本数据更新速率为44.1 kSPS。早期CD播放器使用传统的二进制DAC，并将“0”插入并行数据中，从而将有效更新速率提高到基本吞吐速率的4倍、8倍或16倍。4×、8×或16×数据流通过一个数字插值滤波器，产生额外的数据点。高过采样速率将镜像频率移动到更高位置，从而可以使用较为简单、成本更低、过渡带更宽的滤波器。此外，由于存在处理增益，信号带宽内的SNR也会提高。Σ-Δ型DAC架构使用高得多的过采样速率，将这一原理扩展到极致，因而在现代CD播放器中颇受欢迎。
2023-06-24 20:12:13
1.09MB
1
用于机器翻译的 RNN 编码器解码器
介绍
在基于短语的机器翻译中，通常使用无监督对齐方法提取短语对。 这些本质上通常是生成性的对齐方法无法结合关于语言完整性和短语对质量的其他度量的信息。 因此，提取的短语对通常相当嘈杂。 在不偏离常规短语提取程序的情况下使用这些短语对的一种方法是为每个短语对使用附加特征，然后使用判别训练学习这些特征的权重，其目标是区分好假设和坏假设。 随着最近在机器翻译中使用神经网络，我们有能力将可变长度的句子表示为固定大小的向量表示。 这种表示可以基于我们认为有用的任何质量度量来创建。 一旦我们根据语言的某些属性（语法、语义）获得句子/短语的向量表示，就相对容易问自己一个短语对有多好。 该项目建立在这项工作和其他神经机器翻译工作的基础上，以估计短语对的短语相似度。 评估将通过将此指标用作基于短语的翻译和短语表修剪中的另一个特征来进行。
短语相似度
使用无监督对齐进行短
2023-04-13 10:11:37
1.16MB
1
ML-MT-WebApp
这是我的本科学位课程的主要项目之一。
在这里，我开发了一种疾病预测网络应用程序，该应用程序使用机器学习的概念来预测各种疾病，例如疟疾，肺炎，糖尿病等。
下面是使用的各种模型文件的名称：
癌症模型=模型
糖尿病模型=模型1
心脏模型= model2
肝模型= model4
肾脏模型= model3
疟疾模型= model111.h5
肺炎模型= my_model.h5
用于训练深度学习模型的内核
疟疾核心模型： :
肺炎模型的核心-https:
用于模型开发的各种数据集的详细信息：
癌症：cancer.csv [在资源库中]
糖尿病：dialysis.csv [在资源库中]
Heart ：heart.csv [在资源库中]
肝脏： : Patient-
肾脏： :
疟疾： : 疟疾
肺炎： ： //www.kaggle.c
2023-04-12 00:25:55
52.86MB
1