用于专题

用于资产定价的FAFA三因素模型的案例实现

一:FAFA三因素模型的介绍 FAFA三因素模型,即Fama-French三因子模型,是在1992年提出的资产定价模型。该模型是对传统的资本资产定价模型(CAPM)的扩展,它认为除了市场风险之外,还有其他两个因素对股票的预期收益率有重要影响,这两个因素是公司规模(Size)和账面市值比(Book-to-Market Ratio)。 Fama-French三因子模型的核心观点是,投资者在承担额外

波导模式分析2 用于圆TE01模式高功率传输线的大型多模波导滤波器

摘要: 一种对于大型多模波导滤波器的设计方法,其能衰减掉(deteriorate)不想要的模式而不影响所需要的工作模式,被提出来抑制用于圆TE01模式高功率传输线的受限模式谐振。为了从TE10模式中分离出不期望的模式,引入了一种形变圆波导。在波导中的本征模式通过微扰分析理论推断,并且研究了一些公共模式的传输特性。此分析显示在工作TE01模式和其他模式之间通过变形圆波导可以获得显然的模式间隔,特别

用于充电桩的B型剩余电流保护器的设计

摘要       对含有充电桩的充电系统漏电原理、特征和保护安装位置进行了分析,并提出用于充电桩的B型剩余电流保护器的一种设计方案,通过双磁芯及对应的拓扑结构实现剩余电流的检测。分析了不同拓扑结构对应类型的剩余电流实现脱扣的机理,对直流剩余电流的检测采用磁调制技术,对其余类型剩余电流提出不进行波形识别、直接整流的电流检测方案。根据不同拓扑结构检测的电流类型,提出上方磁芯选择磁滞回线扁平、高磁导率

关于Java中Comparable和Comparator用于排序中的理解,以Comparable为例

在Java中,当一个对象实现了 `Comparable` 接口,这意味着该对象的类定义了一个自然的排序标准。`Comparable` 接口要求实现它的类必须实现 `compareTo` 方法,这个方法定义了对象之间的比较规则。 目录 一、为什么使用 `compareTo` 方法: 二、排序函数如何使用 `compareTo` 方法: 一、为什么使用 `compareTo`

CP-Net:用于生物细胞解析的实例感知部分分割网络|文献速递--基于深度学习的医学影像病灶分割

Title 题目 CP-Net: Instance-aware part segmentation network for biological cell parsing CP-Net:用于生物细胞解析的实例感知部分分割网络 01 文献速递介绍 实例分割是计算机视觉中的一个经典任务,用于识别图像中每个像素的对象类别(语义类型)并确定唯一的对象ID(实例索引)(Yi等,201

python pickle 模块用于保存python内存数据(包括实例对象、字典、列表等所有python中的数据)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言基本用法 前言 Python 的 pickle 模块用于序列化和反序列化 Python 对象。这意味着你可以将 Python 对象(如列表、字典、类实例等)转换为字节流(序列化),并将其保存到文件中或在网络上传输,然后在需要的时候将其恢复为原始 Python 对象(反序列化)。 常见用途

论文速读|重新审视奖励设计与评估:用于强健人型机器人站立与行走控制的方法

论文地址:https://arxiv.org/pdf/2404.19173  这篇论文为类人机器人站立和行走(SaW)控制器的持续可衡量改进奠定了基础。通过引入一套定量实际基准测试方法,作者展示了现有控制器的优缺点,并通过基准测试指导新控制器的训练,最终实现了增强的控制器,成功处理了所有测试的扰动。结果表明,当前的RL控制器在能量效率和仿真到现实差距方面存在局限性。未来的工作应专注于在不牺牲

x-cmd pkg | dive - 用于探索 docker 镜像内容和层次结构,优化 Docker/OCI 镜像大小的工具

目录 简介快速上手功能特点竞品和相关项目进一步阅读 简介 dive 是由 Alex Goodman 用 Go 开发的 Docker 镜像探查工具。它提供可视化图形界面,能分析 Docker 镜像的内容和层次结构,如浏览镜像中的文件和目录信息、查看每层镜像内容的文件变更情况、进行安全性检查等。 对于需要深入分析和优化 Docker 镜像的开发者和运维人员,dive 能帮你更高效

《中文Python穿云箭量化平台二次开发技术09》设计一个可视化股票池量化平台项目用于实现选股和自动交易

《中文Python穿云箭量化平台》是纯Python开发的量化平台,因此其中很多Python模块,我们可以自己设计新的量化工具,例如自己新的行情软件、新的量化平台、以及各种量化研究工具。 穿云箭自带指标公式源码运行模块,可以为其他量化平台提供量化功能扩展或量化功能增强效果。 《中文Python穿云箭量化平台》包含有行情接口,指标运算模块,K线和指标显示模块。我们在投资分析研究和策略中,有很多可利用的

CNN-LSTM用于时间序列预测,发二区5分+没问题!

为了进一步提高时序预测的性能,研究者们组合了CNN和LSTM的特点,提出了CNN-LSTM混合架构。 这种架构因为独特的结构设计,能同时处理时空数据、提取丰富的特征、并有效解决过拟合问题,实现对时间序列数据的高效、准确预测,远超传统方法。 因此,它已经成为我们应对时序预测任务离不开的模型,有关CNN-LSTM的研究也成了当下热门主题之一,高质量论文频发。 为了方便大家了解CNN-LSTM的最

Druid是什么和用StatViewServlet用于展示Druid的统计信息

原 Druid是什么和用StatViewServlet用于展示Druid的统计信息 发表于2年前(2014-04-02 21:43)   阅读( 2604) | 评论( 0)  0人收藏此文章, 我要收藏 赞 0 Druid是一个JDBC组件,它包括三部分: DruidDriver 代理Driver,能够提供基于Filter-Chain模式的插件体系。 DruidDat

RDMA over Ethernet用于Meta规模的分布式AI训练

摘要: 近年来,AI模型的计算密度和规模迅速增长,推动了构建高效可靠专用网络基础设施的需求。本文介绍了Meta公司基于RDMA over Converged Ethernet(RoCE)的分布式AI训练网络的设计、实施和运营。 我们的设计原则涉及对工作负载的深入理解,并将这些见解转化为各种网络组件的设计:网络拓扑 - 为支持AI硬件平台的世代快速演进,我们将基于GPU的训练分离到专门的"后端"

用于基于骨架的动作识别的空间时间图卷积网络 ST-GCN (代码+数据集+模型)

简介 本仓库包含论文《用于基于骨架的动作识别的空间时间图卷积网络》的相关代码、数据集和模型。 ST-GCN 动作识别演示 我们的基于骨架的动作识别演示展示了ST-GCN如何从人体骨架中提取局部模式和关联性。下图显示了我们ST-GCN最后一层中每个节点的神经响应幅度。 触摸头部 坐下 脱鞋 进食 投踢他人 掷锤 清洁与抓举 拉力器 太极拳 抛球 上一行结果来自NTU-RGB+D数据集,第

css三点闪烁(可用于加载样式、标题等)

代码案例 HTML <div class="flexAlign loading"><div class="loading_item"></div><div class="loading_item"></div><div class="loading_item"></div></div><div class="other_title">安全联动</div><div class="flexA

liferay中站点的建立及封装一个Util类用于站点模板的引用

写这篇文章主要是记录一下在项目开发中遇到问题,分析问题,解决问题的过程. 由于项目需求,需要把创建站点,站点模板引用单独从控制面板中拿出来,于是去开始着手源码的阅读,这篇文章重点不在这,所以略去. 首先说一下组织和站点的关系 1.Organization和Group 每创建一个Organization 就会有一个对应的Group   表group_的classPK存的就是organizati

多终端同账号并发测试是一种用于检验系统在多个终端同时使用同一账号时性能表现的测试方法。

一、测试目的   1. 验证系统在多终端并发访问下的稳定性和可靠性。 2. 确保同一账号在不同终端上的数据同步准确性。 3. 检测系统对并发请求的处理能力,是否存在性能瓶颈。   二、测试要点   1. 终端选择   - 涵盖不同类型的终端设备,如手机(不同操作系统)、平板电脑、电脑等。 - 考虑不同的网络环境,如 4G/5G 网络、Wi-Fi 等。 2. 测试场景设计   - 同时登录:多个终端

给多个jar包起一个别名,用于项目引用

现在有一个文件夹 , 其下是珍藏多年的N个jar包 , 如何在项目中以一个别名来引用呢 ? 如果有必要的话 , 可以把相应的类放在一个文件夹 , 引入的时候也起一个和文件夹相同的别名 , 起到区分各个库文件的作用 例如下图中已有两个库文件 , 给他们起一个名字之后 , 选择 add external jars (即添加外部jar包的意思) , 之后即可选择多个需要导入的jar包 , 选择完毕后多

用于腹部计算机断层扫描中器官分割和肿瘤检测的通用且可扩展的语言-视觉模型|文献-大模型与多模态诊断阿尔茨海默症与帕金森疾病应用

Title 题目 Universal and extensible language-vision models for organ segmentation and tumor detection from abdominal computed tomography 用于腹部计算机断层扫描中器官分割和肿瘤检测的通用且可扩展的语言-视觉模型 01 文献速递介绍 计算

Unified-IoU:用于高质量对象检测

摘要 https://arxiv.org/pdf/2408.06636 目标检测是计算机视觉领域的重要部分,而目标检测的效果直接由预测框的回归精度决定。作为模型训练的关键,交并比(IoU,Intersection over Union)极大地展示了当前预测框与真实框之间的差异。后续研究人员不断在IoU中加入更多考量因素,如中心距离、纵横比等。然而,仅仅细化几何差异存在上限;新的考量指标与IoU本

【ZYNQ MPSoC开发】lwIP TCP发送用于数据缓存的软件FIFO设计

设计背景        任务是在ZYNQ的PS上使用裸机运行lwIP协议栈使用TCP把PL端通过AXI DMA传来的将近100K采样率的ADC数据发送出去,但由于数据带宽很大,有853.3mbps,所以在每一次AXI DMA简单传输结束后,lwIP未必有足够的发送buffer立即把数据发送走,如果是发送完再进行下一次简单传输的思路,则会很大地限制了整个系统的带宽,一个简单的思路是每次传输完成后判

yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计

项目结构 YOLOv8模型加载:加载预训练的YOLOv8模型。PySide6 GUI:设计图形用户界面,用于显示检测结果和控制选项。摄像头/视频输入:从摄像头或视频文件读取图像帧。目标检测:使用YOLOv8模型对输入图像进行实时目标检测。计数统计:根据检测到的目标数量更新界面上的计数器。 关键步骤 1. YOLOv8模型准备 首先,你需要有一个YOLOv8模型,可以从官方仓库下载或

NLP-文本处理:词性标注【使用成熟的第三方工具包:中文(哈工大LTP)、英文()】【对分词后得到的“词语列表”进行词性标注,词性标注的结果用于依存句法分析、语义角色标注】

词性: 语言中对词的一种分类方法,以语法特征为主要依据、兼顾词汇意义对词进行划分的结果, 常见的词性有14种, 如: 名词, 动词, 形容词等. 顾名思义, 词性标注(Part-Of-Speech tagging, 简称POS)就是标注出一段文本中每个词汇的词性. 举个栗子: 我爱自然语言处理==>我/rr, 爱/v, 自然语言/n, 处理/vnrr: 人称代词v: 动词n: 名词vn

数据结构-非线性结构-树形结构:Trie/字典树/前缀树【专门用于处理字符串类数据】

Trie的代码实现 import java.util.TreeMap;/*** Trie树(前缀树、字典树)** @author whx* @version 2018/9/1*/public class Trie {/*** 节点类** @author whx* @version 2018/9/1*/private class Node{public boolean isWord;publ

数据结构-非线性结构-树形结构:有序树 -> 二叉树 -> 平衡二叉树 -> 线段树 (Segment Tree) / 区间树【不是完全二叉树;用于处理区间类数据】【基于静态数组/链表】【竞赛】

平衡二叉树(AVL树):当且仅当任何节点的两棵子树的高度差不大于1的二叉树; 线段树的代码实现 SegmentTree.java /*** 线段树** @author whx* @version 2018/8/25*/public class SegmentTree<E> {/**普通数据*/private E[] data;/**树结构数据*/private E[] tr

[训练测试过程记录]Faster-RCNN用于场景文字检测

写在前面:github上面的Text-Detection-with-FRCN项目是基于py-faster-rcnn项目在场景文字识别领域的扩展。 和py-faster-rcnn相比,该项目的主要改动为:将检测类别换成了背景和文字,并且更改了数据集。 对于初学者而言,要实现一个自己的baseline,第一步可以尝试训练别人已经实现了的网络,看看整个的运行流程是怎么样的。那么,接下来,我就记录一

TPH-YOLOv5:基于Transformer预测头的改进YOLOv5,用于无人机捕获场景的目标检测

摘要         提出了TPH-YOLOv5。在YOLOv5的基础上,增加了一个预测头来检测不同尺度的目标。然后用Transformer Prediction Heads(TPH)代替原有的预测头,探索自注意机制的预测潜力。还集成了卷积块注意力模型(CBAM),用来发现密集对象场景中的注意力区域。为了实现所提出的TPH-YOLOv 5的更多改进,提供了一些有用的策略,如数据增强,多尺度测试,