首页
Python
Java
前端
数据库
Linux
Chatgpt专题
开发者工具箱
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
阅读更多...
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
阅读更多...
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/
阅读更多...
【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
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
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:
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
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:
阅读更多...
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
阅读更多...
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
阅读更多...
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
阅读更多...
有查看自己dian nao mi |W| ma 的软件
有查看自己dian nao mi |W| ma 的软件
阅读更多...
【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
阅读更多...
【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
阅读更多...
【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
阅读更多...
【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、
阅读更多...
【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
阅读更多...
【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
阅读更多...
【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
阅读更多...