利用棋盘格标定相机内参数的matlab程序

DS2438电源管理 驱动 已经用于实际应用，效果良好。

基于labview的音频录音，播放，合成，并以波形图显示出音频

【马萨诸塞州道路数据集--9.83G】用于深度学习 道路提取项目，爬了一整天的马萨诸塞州道路数据集，下载不易，感谢支持。

个人学习笔记，稍稍整理下阵列波東形成技术模型最大信噪比最小方差无失真响应滤波器线性约束最小方差广义旁瓣相消基于阵列定位和跟踪技术互相关方法3.3.2广义互相关(基于特征向量的方法最小熵法白适应特征向量分解法自适应盲信号分离(,空域线性预测法语音信号预加重算法第五章模型高斯混合模型隐马尔可夫模型频率分析()深度神经网络第章信号处理语音信号特点在一段时间内),人的声带和声道形状是相对稳定的,可认为其特征是不变的。语音可以分为周期性的浊音和非周期的清音。浊音和清音绎常在一个音节中同时出现。浊音部分和音质关系密切,在时域上呈现岀明显的周期性,在频域上有共振峰结构,而且大部分能量集中在较低频段内,是语音中人幅度高能量的部分;清音则具有明显的时域和频域特征,类似于白噪声,能量较小,在强噪声中容易被掩盖,但在较髙信噪比时能提供较多的信息。在语音增强中,可以利用浊音的周期性特征,采用梳状滤波器提取语音分量或者抑制非语音信号,而清音则难以与宽带噪声区分,加性噪声大致上有:周期性噪声、脉冲噪声、宽带噪声和同声道的其亡语音干扰等。周期性噪声主要来源于发动机等周期性运转的机械,电气干扰,特别是电源交流声也会引起周期性噪声,其特点是有许多离散的窄谱峰。脉冲噪声来源于爆炸、撞击和放电等,表现为时域波形中突然出现的窄脉冲。宽带噪声的来源很多,包括热噪声、气流(风、呼吸)噪声及各种随杋噪声源,量化噪声也可视为宽带噪声。平稳的宽带噪声,通常也可以λ为宽带噪声。平稳的宽带噪声,通常也可以视为高斯白噪声。语音增强算法大致分为四种:参数法、非参数法、统讣法和其它方法。信号响应的意义对于任何一个信号均可以使用冲击函数来表示,即:∑()6(数字信号处理的意义就是通过运算来达到处理的目的,设这种运算关系为:]则输出信号()和输入信号()之间的关系指述为=[()。卷积推导设系统输入()=6()系统的输出()的初始状态为零,这时系统输出用()表示为则称()为系统的单位脉冲响应。则对任意输入信号(),系统输出为:()6(根据叠加原理可得:()∑()(-)∑()[6(-)利用系统时不变性,可得下式6(-)=(-),因此可得:()∑()o(-)=()*()上述就是卷积公式的推导。时域离散系统的输入输出描述法描述一个系统可以不管系统内部的结构如何,将系统看成一个黑盒子,只描述系统的输岀和输入之间的关系,这种描述法被成为输入输岀描述法。在模拟系统中使微分方程描述系统的输入和输出之间的关系,在时域离散系统中使用差分方程描述系统的输入和输岀关系点评:微分方程重在描述变化的趋势,差分方程的过程可以套用卷积的方法。时域离散信号傅里叶变换(TFT, Discrete- Time Fourier Transform)定义上述ω的单位是弧度,范围是x。其傅里叶反变换由如下公式得到:()周期信号由傅里叶级数表示傅里叶变换的一些性质时域卷积,频域相乘;时域相乘,频域卷积∑|()巴塞伐尔定理信号的功率也可以在频域求离散傅里叶变换(将有限长时域离散信号变换到频域的变换,但变换的结果是对时域离散信号的频谱的等问隔采样定义设序列()的长度为,定义()的点为()=[()=∑(式中,成为离散傅里叶变换区间长度,要求中即可得为书写简单,令则可以简写为:()=[()=∑()≤≤其反变换如下()=[()=-∑()和之间的关系:的主要性质)线性性质)隐含周期性)循环移位性质)有限长序列的循环移位设序列()的长度为,对()以≥为周期进行周期延拓,得到:()=()定义()的循环移位序列为()=^(+)()=(+)()上式表示将序列()以为周期进行周期延拓,再左移个单位取主值序列,就得到()的循环移位序列()。则有如下结论:设序列()的长度为,其循环移位序列为()=()())=[()()=[()短时傅里叶变换(,针对平稳信号的变换,语音信号在长时间跨度上不平稳,但其每个时间段内可看成是平稳的。定义°,()是输入信号,()是分析窗口(-)是纤过时域翻转并右移个采样点。类似于,离散定义如下)2()=∑()(其含义是在时域用窗函数截取信号,对截取部分的信号进行傅里叶变换,即在时刻得到时刻该段信号的傅里叶变换,不断移动,即可得到不同的傅甲叶变换,将这些傅里叶变换组合起来即得(o)计算在计算()和滤波器()卷积效率较高。的基木思想是将()分段,将分段后的每段与()卷积()=是任意的分段长度()=∑(-)()=∑(-)()=∑)*()=∑数字滤波器的最大优点是可以实现线性相位滤波。线性相位设的单位脉冲响应()的长度为,则其频响函数为()=∑()将(“)表示成如下形式e(a)式中,(a)是O的实函数,如果满足0(o)a则相位满足线性关系线性相位对时域和频域的约束)=∑O0展开可得:∑()(0-(o)=(a)((o)-(o)系数偶对称。窗函数设计其设计思想是使用逼近希望的滤波特性。基本方法)构造希望逼近的频响函数(“)

产生雷达信号，对雷达信号进行聚类分选，并比较分选结果

通过winsock实现客户端向服务器端传输文件，涵盖了文件转换为二进制传输，winsock通讯两方面知识

【实例简介】自己做的课程设计，还有全面的资料说明书等

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

【实例简介】采用IR2104驱动功率MOSFET，通过H桥控制电机

七种排序算法（包括直接插入排序，折半插入排序，希尔排序，冒泡排序，快速排序，简单选择排序，归并排序）还有两道题1./*设计并实现一个有效的对n个整数重排的算法，使得所有负数位于非负数之前，给出算法的性能分析*/2./*试给出一个同时找到n个元素中最大元素与最小元素的有效算法，并说明理由*/