码迷,mamicode.com
首页 >  
搜索关键字:样本    ( 4292个结果
【数据库摘要】5_Sql_IN
IN 操作符IN 操作符同意您在 WHERE 子句中查找多个值。SQL IN 语法SELECT column_name(s)FROM table_nameWHERE column_name IN (value1,value2,...);IN 操作符实例(使用Northwind样本数据库) SELEC...
分类:数据库   时间:2014-08-13 17:44:46    阅读次数:309
音频知识1
采样频率: 每秒采样次数, 记录声音的音高采样质量: 用多少字节来表示音高, 16位可以表示256中音高analog: 模拟digit: 数字adc: 模拟-数字转换dac: 数字-模拟转换关于44100hz早期的录像带, 没每个视频帧有245条扫描线, 红绿蓝3个样本, 每秒60帧245 * 3 ...
分类:其他好文   时间:2014-08-12 16:47:54    阅读次数:199
VQ结合SVM分类方法
今天整理资料时,发现了在学校时做的这个实验,当时整个过程过重偏向依赖分类器方面,而又很难对分类器本身性能进行一定程度的改良,所以最后没有选用这个方案,估计以后也不会接触这类机器学习的东西了,希望它对刚入门的人有点用。          SVM比较适合高维数据的二分类,本来准备对语音特征直接用SVM进行二分类,但是发现样本数据比较多,训练的2天都没有出收敛,最后想用VQ聚类的方法先抽取出具有代...
分类:其他好文   时间:2014-08-12 13:35:54    阅读次数:306
POJ 2420
模拟退火算法。昨天看了PPT,原来模拟退火算法涉及到马尔什么链,开始理解,它其实就是一个关于抽样的问题。随机抽样,选取足够多的样本,然后逐步逼近。而在平面上,由于T的下降,使得逐渐缩小至一点。然后,就可以了。算法:在平面上随机选取一些点,当然这些点应当有一点相关的性吧。我猜的。然后在这些点随机移动,...
分类:其他好文   时间:2014-08-12 10:16:24    阅读次数:230
打开Vim/Vi代码高亮
由于新装Vim/Vi 默认是没有打开代码高亮配置的,就看到有朋友一次次到网上去找各种配置。其实Vim默认带来配置文件的样本的,只需拷贝过来就可使用。在用户根目录(~)中新建vim的配置文件 .vimrc拷贝配置文件样本 vimrc_example.vim 到自建配置文件 .vimrc 中保存并退出即...
分类:其他好文   时间:2014-08-12 09:02:13    阅读次数:200
boosting和bagging
首先来说明一下bootstraps:可以把它认为是一种有放回的抽样方法。bagging:boostraps aggregating(汇总)boosting:Adaboot (Adaptive Boosting)提示方法提升(boosting):在分类问题中,通过改变训练样本的权重,学习多个分类器,并...
分类:其他好文   时间:2014-08-11 23:55:33    阅读次数:422
自由操控声音-相位声码器-变速篇(一)
比较古董的声码器:LPC声码器,相位声码器        LPC声码器就是用全极点模型来表示浊音,近似清音,根据最小平方误差最小化原则,得到该模型的一组参数,就是LPC系数,对系数量化编码,可以大幅压缩数据量;从时域来分析,就是用过去的一组样本点来预测现在的样本点。        从短时傅里叶变换和逆变换可以推导出,一个信号x(n)通过一组滤波器组,在满足一定条件下,这些滤波后的各个频...
分类:其他好文   时间:2014-08-11 12:05:32    阅读次数:842
自由操控声音-相位声码器-变速篇(一)
比较古董的声码器:LPC声码器,相位声码器 LPC声码器就是用全极点模型来表示浊音,近似清音,根据最小平方误差最小化原则,得到该模型的一组参数,就是LPC系数,对系数量化编码,可以大幅压缩数据量;从时域来分析,就是用过去的一组样本点来预测现在的样本点。 从短时傅里叶变换和逆变换可以推导出,一个信号....
分类:其他好文   时间:2014-08-11 11:38:02    阅读次数:314
(转)NGUI研究院之三种方式监听NGUI的事件方法
NGUI事件的种类很多,比如点击、双击、拖动、滑动等等,他们处理事件的原理几乎万全一样,本文只用按钮来举例。1.直接监听事件把下面脚本直接绑定在按钮上,当按钮点击时就可以监听到,这种方法不太好很不灵活。1234void OnClick(){Debug.Log("Button is Click!!!"...
分类:其他好文   时间:2014-08-10 01:30:59    阅读次数:365
topic model
0、基石——贝叶斯推断计算后验概率即为我们对参数的估计:其中: ——输入数据 ——待估计的参数 ——似然分布 ——参数的先验分布对新样本的预测:我们要估计的概率1、常用的概率分布Dirichlet Distribution2、文本建模2.1 基本模型——unigram model最基本的一种文本模型...
分类:其他好文   时间:2014-08-09 02:24:56    阅读次数:234
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!