H3C 集团型企业网设计案例（VRRP+MSTP+堆叠+链路聚合）by肖哥

用于文档图像变形的门控和分叉堆叠式U-Net模块 捕获文档图像是记录它们的最简单，最常用的方法之一。 但是，这些图像是在手持设备的帮助下捕获的，通常会导致难以消除的不良失真。 我们提出了一个监督的门控和分叉堆叠式U-Net模块，以预测变形网格并从输入中创建无失真的图像。 在对网络进行人工合成的文档图像训练时，将根据真实世界的图像来计算结果。 我们方法的新颖性不仅存在于U-Net的分叉中，以帮助消除网格坐标的混合，而且还存在于使用门控网络的情况下，该门控网络为模型增加了边界和其他分钟线级别的细节。 我们提出的端到端流水线仅在先前方法中使用的数据的8％进行训练后，就可以在DocUNet数据集上实现最新的性能。 要求 所需的软件包： 火炬（> 1.4.0） 火炬视觉（> 0.6.0） numpy（> 1.18.4） 要安装所有必需的软件包，请使用pip install -r requir

QuakeMigrate是一个Python软件包，用于使用波形迁移和堆栈进行自动地震检测和定位。 它可用于生成地震目录，包括震源，始发时间，相位到达时间和局部震级估计，以及对相关不确定性的严格估计。 该软件包采用模块化架构构建，在众多入口点都具有扩展和适应的潜力。 这包括但不限于： 行程时间网格的计算或导入 选择用于识别相位到达的算法（例如，峰度，多个组件之间的互协方差分析，机器学习技术等） 用于组合起始功能的堆叠功能 用于执行相位拾取的算法 文献资料 对于QuakeMigrate文档托管。 安装 可以在找到安装说明。 用法 我们正在研究涵盖程序包的各个方面如何工作的教程，以及一些示例用例，在这些用例中，我们为所使用的参数选择提供了实质性的推理。 这些示例包括在冰震性和火山地震学中的应用。 这是一项正在进行中的工作-。 活页夹 为了快速了解该软件的工作原理，请尝试Binder上托管

基于pytorch实现的堆叠自编码神经网络，包含网络模型构造、训练、测试 主要包含训练与测试数据（.mat文件）、模型（AE_ModelConstruction.py、AE_Train.py）以及测试例子（AE_Test.py） 其中ae_D_temp为训练数据，ae_Kobs3_temp为正常测试数据，ae_ver_temp为磨煤机堵煤故障数据，数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定，可根据使用者的输入值来构造神经网络，方便调试 autoencoder类在初始化时有三个参数，第一个是网络输入值，第二个是SAE编码过程的层数(编码、解码过程层数相同)，第三个是是否添加BN层 这里为了构造方便，给每层神经元的个数与层数建立一个关系：第一层神经元的个数为2^(layer数+2)，之后逐层为上一层的1/2

IRF堆叠技术白皮书 多交换机堆叠技术应用

添加了对一个很好的 matlab 绘图的支持，其中一个最多几个子图堆叠在一起，适合科学论文。 该库有很好的文档记录，可以广泛使用。 图形可以导出为 PNG、PDF 或带有嵌入字体的 PDF。 主要目标是直接在带有单个公共 x 轴的 matlab 中为漂亮的绘图提供支持（在我的领域中，这通常是时间）。 有许多绘图选项和功能。 只需查看文档！

图像矩阵matlab代码格randint挑战赛：Salient360！ 简单的介绍 该代码适用于Salient360的巨大挑战！ 在ICME 2017上。代码中实现了两个计算模型，分别是： 基于头部运动的显着性模型（模型类型1）； 和 基于头部和眼睛运动的显着性模型（模型类型2）。 模型类型1和2的相应功能分别是HeadSalMap和HeadEyeSalMap 。 该方法基于我们以前的出版物[1]，该出版物采用了基于堆叠的基于自动编码器的重构框架。 用法 要使用该代码，需要执行以下步骤： 将文件salient360_XDQS.tar.gz解压缩到文件夹 。 在下创建两个子文件夹， images和saliency 。 将要处理的图像移动到文件夹/images 。 执行MATLAB脚本process.m与命令行matlab < process.m 。 输入文件夹/saliency以检查结果。 执行脚本后，结果将存储在<s

基于特征融合的堆叠工件分类识别研究，杨继东，胡啟旭，本文针对堆叠工件的识别问题，提出了一种基于决策融合的方法，旨在提高目标工件的识别准确率。使用SVM支持向量机作为分类器，提取

深度学习的matlab工具箱，包括DBN,堆叠去噪自编码器SDAE和NN，文档中有解释每个函数的pdf文件。清晰易懂非常好用，分享在这里

基于LSTM(长短期记忆人工神经网络)_CNN+LSTM_堆叠式LSTM的时间序列预测python源码+超详细注释 以LSTM网络模型为示例，介绍了各种不同数据类型的网络结构 重点包含： 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整