数字电子技术基础·系统方法,弗洛伊德 (Thomas L.Floyd)1

DQPSK 调制解调技术是在 QPSK 基础上发展起来的一种技术，其在发射方采用差分编码， 对原来的传递信息码进行一次相对编码， 利用载波相位的相对变化来表示传输信息。主要任务是研究数字信号调制技术中的四进制数字信号的调制调解，熟练掌握差分四相相移键控(DQPSK)在信号传输中的应用，以及其性能特点。然后着重对四进制数字信号的调制调解进行研究，重点掌握其中差分四相相移键控（DQPSK）的原理，并对其在 MATLAB 平台进行设计与仿真

MRMR(最小冗余最大相关）算法以及可执行文件，欢迎下载！！！

根据光伏电池数学模型所建立的simulink光伏电池仿真模块，可设定光照强度、短路电流、开路电压、最大功率点电流与电压等参数。光伏阵列的仿真模块，只需修改相应的短路电流、开路电压、最大功率点电流与电压数值即可。

ID3算法是决策树的鼻祖，最早于1986年由Quinlan提出，全称是Iterative Dichotomiser 3 [1]。在这篇课程报告中，我将对经典的ID3做出三次改进：1.把 info gain 改进为 gain ratio；2. 把简单投票的过程改进为朴素贝叶斯的方法；3. 将许多颗ID3决策树打造成随机森林。本人将在Weka平台进行二次开发，并且用Weka-Experiment做大量实验，和其它著名的算法进行比较，最后做出综述。项目的源代码开源在本人的GitHub主页上。未来工作有以下几点:是那么容易就可以随机出来的1.在 Improvement Two中,3树的生长的深度限3.可以把这三种改进方法糅合在一起,看看三种制在多少,可以进行进一步的研究改进组合在一起,能不能产生性能更加的算法2.在 Improvement Three中,本人费劲心思写出来4.上述所有方法都是基于属性为 nominal的数据的“随机森林”,正确率反而比D3更差。虽然集,可以进一步研究属性为 numerical,甚至是很使我伤心,但是我在写代码、调试代码、还有两者混合的数据集。思考的过程中有了不少长进。看来随机森林不L己ta3et(1 caitao.I(2) caita (3 caita (4 caita (5) trees (6)treesca置,色va1 eatlon(100)B9.19|81.36*92.85V78.日9*94.43W93.40Vweather. symbolic100)79.00|56.507s.0079.57.506,50{v!/*)|(0/1/1)(1/1/0(011/1)(1/1/0)(1/1/0Re1)caia。,工3"-26936786470963225612) CaILE。 gainRatio.工D311-2693678647096322561(3 caitao naiveBayes. ID3-26936786470963225614)cata0 andomforest,ID31-2593678647096322561{5) trees. NBTree"-47160057070582560866) trees. Randomforest"-10-4-51- depth101-2260823972777004705图-7: Weka-experiment实验结果。总共6个算法,2个数据集。6个算法中(1是原始的1D3算法,后面(2)-(4)是本人的改进算法,(5)和(6)是Weka平台自带的算法。GitHub较风趣;另一方面,蒋老师在我上机实习的过程过,本次模式识别上机实刁的代码,全部公开在本人的回答了我不少疑惑,虽然这些疑惑对于蔣老师而言GitHub主页上面,ur地址如下:可能十分幼稚,但是依然完整解决了我的问题。1. Improvement one:https://github.com/caitaozhan/id3improvements/treREFERENCES/gain ratio2. Improvement TwoJhttps://en.wikipedia.org/wiki/id3algorithmhttps://github.com/caitaozhan/id3_improvements/tre[2]决策树,蒋良孝的PPTChapter2-8e/naive bayes[3] Data Mining Practica/ Machine Learning Tools and3. Improvement threTechniques--Chapter4.3https://github.com/caitaozhan/id3improvements/tre[4贝叶斯分类,将良孝的PPTChapter3-15e/random forest[5]http://archive.ics.uci.edu/ml/datasets/car+evaluation[6]https://en.wikipediaorg/wiki/random_subspace_methodAcknowledgements感谢蒋良孝老师对于我的指导。一方面,蒋老师上课讲解十分到位,关键部位一点就通了,不仅如此还比

测量平差程序设计—宋力杰书里面的光盘资源，欢迎大家下载

【实例简介】这是一本详细介绍滤波器设计的基础书籍，详细介绍了无源、有源滤波器的设计方法，巴特沃兹，切比雪夫，椭圆滤波器的频率响应特性，是一本不可多得的模拟电路设计书籍，对了解滤波器基本知识也有很大帮助。

历年图像质量评价（iqa）论文及代码资料大全（无参考型） 2002年论文 NO-REFERENCE PERCEPTUAL QUALITY ASSESSMENT OF JPEG COMPRESSED IMAGES 附代码 2005年论文 Reduced-Reference Image Quality Assessment Using A Wavelet-Domain Natural Image Statistic Model 附代码 2005年论文 No-Reference Quality Assessment Using Natural Scene Statistics: JPEG2000 附代码 2010年论文 A Two-Step Framework fo r Constructing Blind Image Quality Indices 附代码 2010年论文 A DCT Statistics-Based Blind Image Quality Index 附代码 2011年论文 Blind Image Quality Assessment Using a General Regression Neural Network 附代码 2011年论文 Blind Image Quality Assessment: From Natural Scene Statistics to Perceptual Quality 附代码（牛文） 2012年论文 RRED Indices: Reduced Reference Entropic Differencing for Image Quality Assessment 附代码 2012年论文 Blind Image Quality Assessment Without Human Training Using Latent Quality Factors 附代码 2012年论文 Blind Image Quality Assessment: A Natural Scene Statistics Approach in the DCT Domain 附代码 2012年论文 MAKING IMAGE QUALITY ASSESSMENT ROBUST 附代码 2012年论文 No-Reference Image Quality Assessment in the Spatial Domain 附代码 2013年论文 Objective Quality Assessment of Tone-Mapped Images 附代码 2013年论文 Making a “Completely Blind” Image Quality Analyzer 附代 码 2013年论文 Video Quality Assessment by Reduced Reference Spatio-Temporal Entropic Differencing 附代码

用遗传算法对支持向量机的参数进行优化，从而提高分类准确率

资源包括：仿宋、楷体、仿宋_GB2312、楷体GB_2312存在问题：在XP系统中，没有仿宋、楷体，只有仿宋_GB2312和楷体_GB2312这两种字体。但是到了Win7系统，却只有仿宋和楷体，没有了仿宋_GB2312和楷体_GB2312这两种字体。结果在XP系统下制作的公文在Win7系统中打开，全部转换成系统默认的微软雅黑字体。而在Win7系统下制作的公文在XP系统中打开，全部转换成系统默认的宋体。不符合公文制作规定。解决方法：在XP系统中安装仿宋、楷体；在Win7系统中安装仿宋_GB2312和楷体_GB2312字体。操作方法：复制字体进入c:/windows/fonts文件夹粘

本系统在ANT下可以直接运行,在Myeclipse平台到网页上运行的代码在http://download.csdn.net/source/3386479 上下载电影推荐系统中运用的推荐算法是基于协同过滤算法（Collaborative Filtering Recommendation）。协同过滤是在信息过滤和信息系统中正迅速成为一项很受欢迎的技术。与传统的基于内容过滤直接分析内容进行推荐不同，协同过滤分析用户兴趣，在用户群中找到指定用户的相似（兴趣）用户，综合这些相似用户对某一信息的评价，形成系统对该指定用户对此信息的喜好程度预测。电影推荐系统中引用了Apache Mahout提供的一