升余弦滚降滤波程序MatLAB

使用ccs5.1开发，针对dsp的can通信程序以及点击控制程序

通过VB窗体的text，向excel中指定位置写入数据

【实例简介】凸优化 中文版 清华大学 王书宁翻译。提供给学习凸优化的同学们交流分享。

Python编程opencv图像检测缺陷，带有图片例程，内容清晰.

谐波分析程序，使用fft对模拟信号进行谐波分析

基于实例和特征的迁移学习算法研究上海交通大学学位论文原创性声明本人郑重声明:所呈交的学位论文,是本人在导师的指导下,独立进行研究工作所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体,均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名:日期:200年,月6日上海交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定同意学校保留并向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文保密□,在年解密后适用本授权书。本学位论文属于不保密囝。(请在以上方框内打“√”)学位论文作者签名:指导教师签名:1日期:209年,月日日期,亻年,月,b日上海交通大学学位论文答辨决议书姓名戴文渊学号1060394所在学科计算机应用技术指导教师俞勇答辩2009年1月答辩地点逸夫科技楼311日期16日论文题目基于实例和特征的迁移学习算法研究投票表决结果:555(同意票数/实到委员数应到委员数)答辫结论:回通过口未通过评语和决议:戴文谢的论女对基家例和将而习年译入的研鉴该课题旨右桌砖传纹戒器动限劫布衣器导成眼刺张采明意和有吃作包提了-种基于泉例汪移羽法给生了aAB算回提3-种基特公汪移3方,3因片和受本键技术取場3很山敌果,流文点明方法新颖,结沉正别,反强着己孔家地推第术基础理和相关的去步知议,具级的去从季科研午W彩机答排刷凶滴蕤,回间趣正确浴拜委员会讨(孔记名拨票奉决),-敌其通过硕士怪沉辩被子召丽士209年1月16日职务姓名职称单位签名主席黄林鹏教授上海交通大学答委员辩翁惠玉副教授上海交通大学委委员薛贵荣副教授上海交通大学员会委员张冬茉副教授上海交通大学成员委员俞勇教授上海交通大学签|天姿号委员秘书韩定助理研究员上海交通大学中文摘要基于实例和特征的迁移学习算法研究摘要传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而,在许多情况下,这种同分布假设并不满足。不满足同分布假设的情况往往发生在训练数捃过期,而标注新数据非常昂贵。于是,我们有有了大量的在不同分布下的过期训练数据。完全丢弃这些数据将会是非常浪费的。在这种情况下,迁移学习就变得非常重要了,因为迁移学习可以从现有的数据中迁移知识,用米帮助将米的学习迁移学习( Transfer Learning)的目标是将从个环境中学到的知识用来帮助新环境中的学习仼务。因此,迁移学习不会像传统忛器学习那样作同分布假设。在本文中,我们将会比较全面的回顾迁移学习的整个领域,并且介绍我们在迁移学习领域的近期研究成果。我们的工作可以分为两部分;基于实例的迁移学习和基于特征的迁移学习。我们将会展示出,基于实例的迁移学习有更强的知识迁移能力,而基于特征的迁移学习具有更广泛的知识迁移能力。这两种方法各有千秋。我们介绍了两种迁移学习方法,分别基于 boosting技术和特征翻译。这两种算法分别对应基于实例的迁移学习和基于特征的迁移学习。我们通过非常全面的实验来证明我们的方法在迁移学习时候能够很大幅度提高很多现有的学习算法,无论是近迁移还是远迁移关键词:迁移学习、实例、特征英文摘要Instance-based and Feature-based Transfer LearningABSTRACTTraditional machine learning techniques make a basic assumption that the training andtest data should be under the same distributions. However, in many cases, this identicaldistribution assumption docs not hold. The violation of thc assumption might happen whenthe training data are out of date, but new data are expensive to label. This leaves plenty oflabeled examples that are under a similar but different distribution which is a waste throwaway entirely. In this situation, transfer learning becomes important to take the role of leveraging these existing data knowledgeTransfer learning aims at using learned knowledge from one context to benefit fur-ther learning tasks in other contexts. Thus, transfer learning does not make the identical-distribution assumption as tractional machine learning algorithms. In this thesis, we broadreview the whole field of transfer learning and then introduce our recent work on transferlearning accordingly. Our work can be divided into two parts: instance-based transfer learning, and feature-based transfer learning. We will show that instance-based transfer learninghas better strength in knowledge transferring, while feature-based transfer learning is withmore gerWe present two transfer learning algorithms based on boosting technique and featuretranslation respectively. These two algorithms corresponds to instance-based and featurebased transfer learning. Our extensive experiments show that our algorithms can greatlyimprove several state-of-the-art algorithms in the situation of transfer learning, includingnear transfer and far transferKEY WORDS: Transfer Learning, Instance, Feature目录目录摘要ABSTRACT(英文摘要)第一章绪论第二章迁移学习领域的研究现状2.1多任务学习.22跨领域学习23不同数据分布下的学习24其他迁移学习问题25迁移学习的应用4555678第三章基于实例的迁移学习算法研究3.1基于 Boosting的迁移学习算法3.1.1基本思想.3.1.2问题定义103.1.3 TrAdaboost算法描述..123.2 TrAdaboost算法的理论分析.14321基本符号143.2.2辅助训练数据上的错误率...:.···153.2.3源训练数据上的错误率,,203.3实验分析:··..··:·.:·.:···:·:·:·:······:213.3.1数据描述..22332实验结果23第四章基于特征的迁移学习算法研究254.1基于特征翻译的迁移学习算法4.1.1翻译学习框架274.1.1.1问题定义····‘·274.1.1.2风险最小化框架.41.1.3模型估计.··2941.14翻译器o304,2实验分析324.2.1实验数据酯鲁鲁D着着·,,·,,音唐鲁帝着争324.2.2比较方法324.2.3实验结果··········:····:..:.::.:::33第五章总结与展望35参考文献致谢4·,个人简历、在学期间的研究成果及发表的论文春,音42插图插图1-1日常生活中的迁移学习例子3-1关于 TrAdaboost算法基木思想的一个直观的示例。3-2 TrAdaboost算法的机制123-3一个关于数据生成的示例223-4三种算法在 people vs places数据集上的效果243-5 TrAdaBoost算法在 people vs places数据集上的达代曲线244-1一个直观的例子,用来说明六中学习策略的异同264-2共同出现数据的例子:Flickr(http://www.flickrcom/)74-3在12个数据集上的平均错误率3444对于不同的入, TLRLSK在12个数据集上的平均错误率34表格表格3.120 Newsgroups数据分布的描述2232SRAA数据分布的描述2333当只有1%的源数据是训练数据时的分类错误率4.1文本辅助图像分类的数据描述3

介绍了区块链技术及其特征， 分析了物联网发展面临的问题， 提出了引入区块链技术来解决物联网问题。 通过阐述引入区块链技术在农业物联网以及农业大数据方面的应用， 对区块链作为第三次信息技术革命对农业方面带来的影响进行了展望。农业科技展望和通信量将会几何级增长,基于区块链的农业物联网用,农业生产将真正实现精细化、精确化以及工厂将是发展的标配。化,同时应用区块链2.0中的智能合约特性,加上人目前,很多农业信息化企业都逐步建立了自己的智能和智慧农业的发展,可以实现完仝智能化的农云平台,将用户的运行数据统一·存储在自己的中央服产品电子商务,实现农业生产和消费的完全对接,实务器上米提供服务,这种做法目前是可行的,但随着现现代化智能化的计划农业未来农业物联网的普及,这种方式将出现问题。未来35农业资源和生态环境应用的农业物联网需要分布式,需要实现厶中心化的控制。当前,我国农业资源面临短缺,农业生态环境遭32食品安全溯源应用受破坏,将农业水资源、土地资源、生产资料、生物食品安全溯源体系引人区块链技术,能够让互不资源、外来物种、自然灾害、地下水、降雨量、风相识、没冇信任基础的人建立信任,低成夲、髙效率速、土壤温湿度等放置于区块链上可以公丌接受公众地解决食品安全领域冇在的信任难题。其中:(1)监督,加强资源监管,提高资源利用率。区块链的去中心化和不可篡改的特征,可以有力地保36农业大数据应用证现有食品追溯系统的数据可靠性,避免数据在存大数据时代,通过数据的共享、处理来加强数据储、传输和展示环节被内部管理人员和外部黑客篡的有效利用是主题,区坎链是一种不可篡改、全历改;(2)结合物联网和传感设备的进一步应用,食史、强背书的数据库存储技术,通过区块链可以有效产供销各个环节的数据完全依赖于机器采集和机器保障数据提供者的合法权益和私密性,促进数据所有信任,而不被人为地选择性提供;(3)因为开放透者的共享动力,提升数据的流通性,可以在各相关方岄和机器自治,消費者、生产者和政府监管部门对食在确保遵循合约项糸款的情况下,自动和动态地分追溯系统中的数据完全信任,参与普及率越来越亨数据的信息和状态ε高,整个社会的系统应用水平大幅提高;(4)因为区块链是一场信用革命,是第二个链接世界的仝匿名不冉影响信任水平,生产者和消费者个人隐私信球化技术,是真正的互联网20,是信息技术的第三息可被匿名,当食品安全事件发生时,生产者和消费次革命,未来将实现BAAS—区块链即服务,同时者个人信息被保护,可有效避免群体性事件发生和网随着物联网技术的进一步普及,所有物品将被信息络暴力的过度蔓延。化,农业生产和销售环节配合区块链和物联网技术将3.3粮食安全生产应用更加智能,并将逐步实现智慧农业。当前,我国粮食供求长期仍将保持紧平衡态势保障国家粮食安全供给将是一项长期工作。通过在木参考文献领域应用区块链技术,可以有效提高粮食安全生产的1维基科 Blockchain EB/OIl2017-12-08htps:/en保障水平。比如将土地登记放到区块链上,实现不可wikipedia. org/wiki/Blockchain篡改,可以保障18亿亩耕地红线的有效控制。将各2阿尔文德纳拉亚南区块链技术驱动金融M北京:中信出地粮食生产数据实时放到区块链上,可以掌握更加真版社,2016实的统计数据13孙志国区坎链技术在食品安全领域的应用展望农业网34农业生产和电子商务应用络信息,2016(12):30-31未来随着农业物联网的普及、大量传感器的应(责任编辑潘月红)AO农业展望[74|2017年第12期

电动小车自动避障模糊控制算法的设计与实现,很好的东西，也许对你有帮助

【实例简介】质料中包括智能门锁外围驱动的原理及其代码，外围驱动包括（指纹识别、屏幕、蓝牙4.2、IC卡等等）

MATLAB图像数字水印方案毕业论文（论文+源码）论文主要目录图像数字水印的技术方案基于DCT域的图像数字水印技术离散余弦变换（DCT）的定义离散余弦变换的特点离散余弦变换的数字水印算法宿主图像的DCT变换数字水印的嵌入数字水印的检测MATLAB研究数字水印的优点MATLAB函数介绍基于离散余弦变法（DCT）实现数字水印技术图像水印的dwt算法