水热制备Tb2(MoO4)3:Eu3+荧光粉：可调发光性能及其能量传递机理，杨骏，周磊，稀土钼酸盐是一类重要的发光基质材料，同时具备优良的光电磁等性能且传统的制备这类材料的方法都是高温固相法，这种方法能耗较高

典型相关分析matlab实现代码 迁移学习 Transfer Learning Everything about Transfer Learning (Probably the most complete repository?). Your contribution is highly valued! If you find this repo helpful, please cite it as follows: 关于迁移学习的所有资料，包括：介绍、综述文章、最新文章、代表工作及其代码、常用数据集、硕博士论文、比赛等等。(可能是目前最全的迁移学习资料库？) 欢迎一起贡献！ 如果认为本仓库有用，请在你的论文和其他出版物中进行引用！ @Misc{transferlearning.xyz, howpublished = {\url{http://transferlearning.xyz}}, title = {Everything about Transfer Learning and Domain Adapation}, author = {Wang, Jindong and othe

据说是麻省的传热学教材，英文的。 自己还没动手开始看，不知好用与否

The Journal of Technology Transfer

热传递matlab代码传热项目 此回购协议是2020年Spring完成的所有传热类项目每个文件夹包括： 1.任务说明2.MATLAB代码3.写ups

元转移学习，少量学习 该存储库包含针对论文的TensorFlow和PyTorch实现，作者孙倩*，*，（ ）和（ （* =相等贡献）。 如果您对此存储库或相关文章有任何疑问，请随时或。 检查快照分类排行榜。 概括 介绍 入门 数据集 表现 引文 致谢 介绍 已经提出将元学习作为解决具有挑战性的一次性学习设置的框架。 关键思想是利用大量类似的少量任务，以学习如何使基础学习者适应新的任务，对于该新任务，只有少量标记的样本可用。 由于深度神经网络（DNN）仅仅使用少数几个样本就趋于过拟合，因此元学习通常使用浅层神经网络（SNN），因此限制了其有效性。 在本文中，我们提出了一种称为元转移学习（MTL）的新颖的少拍学习方法，该方法可以学习将深度神经网络适应于少拍学习任务。 具体来说，meta是指训练多个任务，并且通过学习每个任务的DNN权重的缩放和移位功能来实现传递。 我们在两个具有挑

Libusbdotnet SuperVivi-Transfer-Tool-Complete.exe

树转移 简介 el-tree-fransfer是一个基于VUE和element-ui的树形穿梭框组件，使用前请确认已经发布 ！此组件功能组件element-ui的组件，但是里面的数据是树形结构！，， el-tree-transfer依赖的element-ui组件分别是， ，和最主要的写成！不是在element-ui的穿梭框组件上的扩展，而明显参照了其外观样式和功能。 因为公司业务使用vue框架，ui库使用的element-ui。在城市表面找到一个好用的vue树形穿梭框组件都很难，又不想仅仅因为一个穿梭框在element-ui之外其他重量级插件，因此就有了el-tree-transfer。轻量，

样本文件传输 此示例应用程序演示了如何在设备上下载和保存图像。 有关更多信息，请参阅。

主成分回归代码matlab及示例传统转学 这是传统迁移学习技术的演示。 实例加权方法 1. TrAdaboost。 参考号促进迁移学习， ICML 2007。
2.回归Tradaboost。 在分类的情况下，权重乘以coef.^(0 or 1). 在回归Tradaboost中，绝对误差被用作幂项。 3.实例加权内核岭回归 实例加权核岭回归， 参考： Jochen Garcke，重要性加权归纳迁移学习回归 在这种情况下，所有源域数据都被标记，目标域中的一小部分也被标记。 在这里，我们将此部分称为“辅助数据”。 其余目标域数据未标记，称为“测试数据”。 在此方法中，基于[源数据+辅助数据]计算源实例的权重（alpha），并将其应用于源实例。 源集有n个实例，辅助集有m个实例。 该方法包含3个步骤： 训练了内核岭回归（rbf内核）模型，并在源数据上进行了测试。 获得双重经济效率a（n * 1）。 此a用于计算权重alpha。 代替在每个实例上应用标量，这里作者使用一种rbf距离的形式： Alpha是变量，而不是w （x，y） 成本函数是加权误差，带有α上的调节项。 Alpha应该大