AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

违章处理残炮追查报告（事件经过、原因分析、事件责任划分及处理决定、防范措施）.docx

CSS3鼠标经过图片旋转放大特效代码是一款采用CSS3结合图片实现的鼠标悬停到图标上面旋转放大展示效果。

双连杆机械手的标准问题是在运动学和动态学上开发的。 然后控制它跟踪旋转的椭圆。 非线性项（如重力/惯性等）在不同程度上被完全抵消，并研究了性能。 该文件是在纽约州立大学布法罗分校的 Venkat Krovi 博士的监督下作为 MAE513（机器人机动性和操纵）的家庭作业创建的。

CSS3鼠标经过图片旋转放大特效是一款采用CSS3结合图片实现的鼠标悬停到图标上面旋转放大展示效果。

主要介绍了js实现鼠标经过时图片滚动停止的方法,可实现js滚动特效中的鼠标悬停停止图片滚动的功能,非常具有实用价值,需要的朋友可以参考下

构建经过高斯信号进行幅度调制的线性调频信号x(N)，采用函数 tfrstft对其进行时频分析，并通过“ tfrgview menu”设置时频分布的不同显示方式。 运行程序后，首先显示信号的时域波形图，进行短时 Fourier变换后，由于没有输出参数，系统会直接给出时频分布图，为了能同时看到时域信号、时频分布及频域信号分布特点，通过选择“ TFRQVIEW”菜单中的“ change the display layout”→“ display signal”“ signal only”,再选择“ changethe display layout”→“ display spectrum”→“ linear scale”，

cadrl_ros（使用Deep RL避免冲突） 用Deep RL训练的动态避障算法的ROS实现 纸： M.Everett，Y.Chen和JP How，《具有深度强化学习的动态决策代理之间的运动计划》，IEEE / RSJ国际智能机器人和系统会议（IROS），2018年 论文： : 视频： : Bibtex： @inproceedings{Everett18_IROS, address = {Madrid, Spain}, author = {Everett, Michael and Chen, Yu Fan and How, Jonathan P.}, bookti

内含两个软件，均经过实际运行验证，可破解FP0,FP1,FP2等松下PLC，FP2-C1与FP2-C2均做过论证。

阿达·本 与论文工作相关的代码： “ AdaBnn：经过自适应结构学习训练的二值化神经网络” 该存储库当前包含两个协作笔记本： 带有实验性质的基于Keras实施AdaNet算法提出的由该文件实验“ ”在，对于学习神经网络结构为子网的集合。 此外，AdaBnn表示为对AdaNet的修改，它对运行时间施加了二进制约束，以尝试在时间方面提高性能，并且是一种基于“的正则化方式”。 “。 另外，包含的单独代码包含Adanet和AdaBnn实现及其文档。 一些发现 根据笔记本中提供的实验： 在自适应结构学习的情况下，对网络权重进行二值化具有类似的效果，即遗传算法中的突变率很高，在迭代之间很难遵循学习模式，在T迭代中不保持增量性能。 Adam优化在大多数情况下更适合于此类AdaBnn结构，并且迭代次数更少（本文中的T参数）。 目前，对AdaNet进行二值化处理并没有太大的改进，但它可能是为权重/激活添加约束作为自适应结构学习的正则化方法的起点。 进一步的工作 进一步的工作可能包括将二值化过程作为卷积子网的一部分，这是（M Courbariaux，2016）的最初建议。 例 导入依赖关