mi专题
【PL理论深化】(3) MI 归纳法：归纳假设 (IH) | 结构归纳法 | 归纳假设的证明
💬 写在前面：所有编程语言都是通过归纳法定义的。因此，虽然编程语言本身是有限的，但用该语言编写的程序数量是没有限制的，本章将学习编程语言研究中最基本的归纳法。本章我们继续讲解归纳法，介绍归纳假设和结构性归纳法。 目录 0x00 归纳假设 (IH) 和结构归纳法 0x01 归纳假设的证明 0x00 归纳假设 (IH) 和结构归纳法 归纳法是一种用于证明归纳定义的集合中的元素所具有
运动想象 (MI) 分类学习系列 (13) :基于滑动窗口的通用空间模式
运动想象分类学习系列:基于滑动窗口的通用空间模式 0. 引言1. 主要贡献2. 提出的方法2.1 SW-LCR方法2.2 SW-Mode2.3 主要优缺点分析 3. 结果3.1 BCI IV 2a3.2 卒中数据集 4. 总结欢迎来稿 论文地址：https://ieeexplore.ieee.org/abstract/document/9326392 论文题目：A Sliding
运动想象 (MI) 分类学习系列 (14) :基于时空光谱特征的分类方法
运动想象分类学习系列:基于时空光谱特征的分类方法 0. 引言1. 主要贡献2. 提出的方法2.1 滤波器组生成2.1.1 预定义滤波器组2.1.2 主题滤波优化 2.2 生成空间谱特征表征2.3 算法流程 3. 结果3.1 与基线方法相比3.2 光谱滤波器数量对解码精度的影响 4. 总结欢迎来稿 论文地址：https://ieeexplore.ieee.org/abstract/
【教程】让小爱音箱Play增强版接入Mi-GPT
转载请注明出处：小锋学长生活大爆炸[xfxuezhagn.cn] 如果本文帮助到了你，欢迎[点赞、收藏、关注]哦~ 项目地址：https://github.com/idootop/mi-gpt MiIOT：小米小爱音箱Play 增强版 - 产品规格 - Xiaomi Miot Spec 实现效果图： 1、安装pnpm sudo apt-get install -y no
MI-SegNet: 基于互信息的超越领域泛化的超声图像分割
文章目录 MI-SegNet: Mutual Information-Based US Segmentation for Unseen Domain Generalization摘要方法实验结果 MI-SegNet: Mutual Information-Based US Segmentation for Unseen Domain Generalization 摘要 针对医
POJ 2891 模线性方程组（mi mj 不互素)
题解： x = ai ( mod mi ) 1 <= i <= k 先考虑k==2的情况： x = a1 ( mod m1 ) x = a2 ( mod m2 ) 方程组有解的充分必要条件是： d | (a1-a2) ，其中 d = (m1,m2) 证明如下： 必要性： 设 x 是上面同余方程组的解，从而存在整数q1,q2使得x=a1+m1*q1，x=a2+m2*q2，消去x即得a
运动想象 (MI) 分类学习系列 (9) :FBCNet
运动想象分类学习系列:FBCNet 0. 引言1. 主要贡献2. 提出的方法2.1 滤波器组卷积网络2.2 方差层结构介绍 3. 实验结果3.1 基线方法比较3.2 方差层对结果的影响3.3 脑卒中患者在相关模型中观察到更大的受试间变异性 4. 总结欢迎来稿 论文地址：https://arxiv.org/abs/2104.01233 论文题目：FBCNet: An Efficie
运动想象 (MI) 分类学习系列 (8) :IFNet
运动想象分类学习系列:IFNet 0. 引言1. 主要贡献2. 提出的方法2.1 交互式频率卷积神经网络2.1.1 光谱空间特征表示2.1.2 跨频交互2.1.3 分类（一个池化+分类层） 2.2 重复试验增强 3. 实验3.1 基线比较3.2 消融实验3.2.1 数据增强消融3.2.2 条带分割消融3.2.3 交互算子的烧蚀 4. 总结欢迎来稿 论文地址：https://ie
IPC网络摄像头媒体视屏流MI_VPE模块结构体
VPE模块相关数据类型定义如下： VPE模块错误码如下： ======================= MI_VPE_CHANNEL 结构体 函数说明 定义：MI_VPE_CHANNEL类型。 定义; typedef MI_S32 MI_VPE_CHANNEL 注意事项:无 相关数据类型及接口：无 --------------------------------- MI_V
IPC网络摄像头媒体视屏流MI_VIF结构体
一个典型的IPC数据流 下图是一个典型的IPC数据流模型，流动过程如下： 1. 建立Vif->Vpe->Venc的绑定关系； 2. Sensor 将数据送入vif处理； 3. Vif 将处理后的数据写入Output Port申请的内存，送入下一级； 4. Vpe接收数据，分别送入Pass0(ISP/SCL0)、Pass1(LDC)、Pass2(SCL1)进行处理，将处理的数据写入Output P
运动想象 (MI) 迁移学习系列 (14) : EEGNet-Fine tuning
运动想象迁移学习系列:EEGNet-Fine tuning 0. 引言1. 主要贡献2. 提出的方法2.1 EEGNet框架2.2 微调 3. 实验结果3.1 各模型整体分类结果3.2 算法复杂度比较3.3 不同微调方法比较 4. 总结欢迎来稿 论文地址：https://www.nature.com/articles/s41598-021-99114-1#citeas 论文题目：
运动想象 (MI) 分类学习系列 (2) : EEG-FMCNN
运动想象分类学习系列:EEG-FMCNN 0. 引言1. 主要贡献2. 提出的网络结构2.1 SE模块2.2 多分支一维卷积神经网络 3. 实验结果3.1 消融实验结果3.2 与基线模型比较 4. 总结欢迎来稿 论文地址：https://link.springer.com/article/10.1007/s11517-023-02931-x 论文题目：EEG-FMCNN: A f
运动想象 (MI) 迁移学习系列 (11) : MSTJM
运动想象迁移学习系列:MSTJM 0. 引言1. 主要贡献2. 提出的方法2.1 CA2.2 切线空间映射后的源选择2.3 多源转移接头匹配 3. 实验结果4. 消融实验5. 总结欢迎来稿 论文地址：https://ieeexplore.ieee.org/abstract/document/10040708 论文题目：A Multi-Source Transfer Joint M
运动想象 (MI) 迁移学习系列 (10) : 数据对齐（CA）
运动想象迁移学习系列:数据对齐（CA） 0. 引言1. 相关工作1.1 黎曼几何1.2 切线空间映射1.3 黎曼对齐 （RA）1.4 欧几里得对齐 （EA） 2. 协方差矩阵质心对齐（CA）3. 总结欢迎来稿 论文地址：https://arxiv.org/abs/1910.05878 论文题目：Manifold Embedded Knowledge Transfer for Br
运动想象 (MI) 迁移学习系列 (9) : 数据对齐（EA）
运动想象迁移学习系列:数据对齐（EA） 0. 引言1. 迁移学习算法流程2. 欧式对齐算法流程3. 与RA算法进行对比4. 实验结果对比5. 总结欢迎来稿 论文地址：https://ieeexplore.ieee.org/abstract/document/8701679 论文题目：Transfer Learning for Brain–Computer Interfaces:
运动想象 (MI) 迁移学习系列 (7) : SBCCSP
运动想象迁移学习系列:SBCCSP 0. 引言1. 主要贡献2. 子带级联的公共空间模式2.1 算法12.2 算法22.3 算法3 3. 跨主体下肢运动意象分类方案3.1 数据预处理3.2 数据增强3.3 数据对齐3.4 特征提取3.5 模型建立 4. 结果5. 总结欢迎来稿 论文地址：https://ieeexplore.ieee.org/abstract/document/1
运动想象 (MI) 迁移学习系列 (5) : SSMT
运动想象迁移学习系列:SSMT 0. 引言1. 主要贡献2. 网络结构3. 算法4. 补充4.1 为什么设置一种新的适配器？4.2 动态加权融合机制究竟是干啥的？ 5. 实验结果6. 总结欢迎来稿 论文地址：https://link.springer.com/article/10.1007/s11517-024-03032-z 论文题目：Semi-supervised mult
运动想象 (MI) 迁移学习系列 (4) : EEGNet-Fusion-V2
运动想象迁移学习系列:EEGNet-Fusion-V2 0. 引言1. 主要贡献2. 网络结构3. 实验结果3.1 不同参数的评估3.2 不同参数的评估3.3 与基准模型比较 4. 总结欢迎来稿 论文地址：https://www.mdpi.com/1424-8220/23/18/7908 论文题目：Excellent fine-tuning: From specific-sub
【MindSpore：跟着小Mi机器学习】支持向量机（下）
前两期小Mi带大家学习了支持向量机的优化问题、如何得到大间距分类器以及其背后的数学原理，今天小Mi最后一讲让我们快速果断地结束支持向量机的学习哈。小Mi废话不多说！ 4 Kernel（一） 之前小Mi曾经提过，如果遇到无法用直线进行分隔的分类问题时，可以适当采用高级数的多项式模型来解决： 为了获得上图所示的判定边界，我们的模型可能是 这样的形式。 用一系列的新的特征来替换模
【MindSpore：跟着小Mi机器学习】python在手，excel不愁
办公中我们经常会处理很多复杂的excel、word、pdf等文件，大家有没有设想过用一个平台就可以同时处理这些东西呢？没错，小Mi又给大家挖掘了新的神技能，今天就显摆下如何用python处理excel表格（嘴硬党是不是可以承认python是最好的语言了吧，哈哈）！ 1. 安装库 首先，准备工作自然是需要安装一系列处理excel时需要用到的库啦，这里小Mi就偷个懒，有请网民友刘先僧闪亮登场（撒花
【MindSpore：跟着小Mi机器学习】异常检测（一）
一周未见，甚是想念，今天小Mi带大家学习异常检测(Anomaly detection)！废话不多说，我们开始吧~ 1 定义 异常检测(Anomaly detection)这个算法很有意思：它虽然主要用于非监督学习问题，但从某些角度看，它又和一些监督学习问题很类似。 什么是异常检测： 通常飞机的引擎从生产线上流出时需要进行质量控制测试，作为依据会测试引擎的一些特征变量，比如引擎运转时产生的热
【MindSpore：跟着小Mi机器学习】异常检测（二）
一周未见，甚是想念，今天小Mi带大家学习异常检测(Anomaly detection)的多元部分！废话不多说，我们开始吧~ 7 多元高斯分布 今天学习的内容是异常检测算法的更进一步，涉及到多元高斯分布，它有一些优势，也有一些劣势，它能捕捉到之前的算法检测不出来的异常，首先我们来看一个例子。 假设有上图这些没有标签的数据，以数据监控中心监控机为例，两个特征变量分别是： CPU的负载、
【MindSpore：跟着小Mi机器学习】推荐系统
一周未见，甚是想念，今天小Mi带大家学习推荐系统(Recommender Systems)！推荐系统是机器学习中一个很重要的应用，比如某易推荐的歌曲呀，某宝推荐的购物清单呀等等，既然应该这么广泛，那就废话不多说，我们开始吧~ 1 定义 推荐系统是个很有意思的问题，机器学习的学术会议上通常不太会关注推荐系统问题，但是在我们生活中却随处可见。 同时对机器学习来说，特征是很重要的，选择的特征将对学
【MindSpore:跟着小Mi机器学习】大规模机器学习
一周未见，甚是想念，今天小Mi带大家学习大规模机器学习(Large Scale Machine Learning)！废话不多说，我们开始吧~ 1 大规模数据集的必要性 如果有一个低方差模型，增加数据集的规模可以帮助获得更好的结果。我们应该怎样应对一个有100万条记录的训练集？ 以线性回归模型为例，每一次梯度下降迭代都需要计算训练集的误差平方和，通常20次迭代就已经是非常大的计算量了。 当然
【MindSpore】【跟着小Mi一起机器学习吧】图片文字识别
时间可过得真快，本周小Mi的更新便是我们机器学习系列的最后一期啦！说了那么多理论，总该来点案例对不对！废话不多说，让我们开始吧~ 定义 那么什么是图片文字识别呢？其实对应的英文全称为Photo Optical Character Recognition，也可以翻译为图片光学字符识别。 随着智能手机拍照功能的成熟，OCR技术注重的是如何让计算机读取图片中的文字信息，从而方便以后的自动查找，而不