1、最小二乘辨识的基本概念 2、一般最小二乘辨识方法 3、加权最小二乘辨识方法 4、递推最小二乘参数辨识方法 5、处理有色噪声的最小二乘法 6、多变量最小二乘辨识方法

为解决RNN–T语音识别时预测错误率高、收敛速度慢的问题，本文提出了一种基于DL–T的声学建模方法。首先介绍了RNN–T声学模型；其次结合DenseNet与LSTM网络提出了一种新的声学建模方法— —DL–T，该方法可提取原始语音的高维信息从而加强特征信息重用、减轻梯度问题便于深层信息传递，使其兼具预测错误率低及收敛速度快的优点；然后，为进一步提高声学模型的准确率，提出了一种适合DL–T的迁移学习方法；最后为验证上述方法，采用DL–T声学模型，基于Aishell–1数据集开展了语音识别研究。研究结果表明：DL–T相较于RNN–T预测错误率相对降低了12.52%，模型最终错误率可达10.34%。因此，DL–T可显著改善RNN–T的预测错误率和收敛速度

《计算方法》1 《计算方法》12 《大学化学》15 《机械制图Ⅰ》30 《机械制图 I》39 《机械制图Ⅱ》41 《机械制图Ⅱ》50 《电工技术》52 《电工技术》62 《电子技术》66 《电子技术》77 《理论力学》82 《材料力学》92 《材料力学》104 《机械原理》106 《机械原理》117 《机械设计》120 《机械设计》132 《互换性与技术测量》135 《互换性与技术测量》145 《工程材料与金属工艺学》148 《工程材料与金属工艺学》162 《机械制造技术基础》165 《机械制造技术基础》175 《热工基础及流体力学》177 《液压与气压传动》186 《液压与气压传动》197 《数控加工与编程技术》200 《数控加工与编程技术》208 《机电传动控制》211 《机电传动控制》221 《汽车发动机原理》224 《控制工程基础》233 《控制工程基础》242 《Triz 创新方法与应用》245 《人工智能基础》254 《人工智能基础》264 《现代设计理论与方法》266 《现代设计理论与方法》277 《机床数控技术》280 《机床数控技术》288 《车间制造执行系统概论》290 《模具设计与制造》298 《有限元分析及应用》308 《汽车电器与电子技术》317 《汽车电器与电子技术》325 《数字化设计与制造技术》327 《微机原理及接口技术》337 《微机原理及接口技术》346 《工业工程概论》349 《先进制造技术》361 《先进制造技术》371 《PLC 原理及应用》374 《PLC 原理及应用》383 《专业英语》386 《企业管理》392 《技术经济学》401 《文献检索与科技论文写作》410 《金工实习》416 《机械制图能力训练》425 《计算机三维绘图及实践》431 《机械装备方案及结构设计能力训练》441 《工艺规程编制及工装设计能力训练》451 《机电控制综合能力训练》457 《数控加工与编程能力训练》465 《机械原理课程设计》473 《液压与气压传动课程设计》480 《机械设计课程设计》487 《机械装备拆装实训》494 《专业实习》500 《毕业论文（设计）》509

1.各种方法的关系 1.1各种方法的联系 都要求反应资产的市场价格,都要求遵循客观性,所以结果应该趋于一致。 如果用不同的方法结果相差很大,可能的原因有:应用前提不具备;分析过程有误;资料有误;师的职业判断有误

对求解问题本身就具有概率和统计性的情况,例如中子在介 质中的传播,核衰变过程等,我们可以使用直接蒙特卡洛模拟 方法。该方法是按照实际问题所遂循的概率统计规律,用电子 计算机进行直接的抽样试验,然后计算其统计参数直接蒙特 卡洛模拟法最充分体现出蒙特卡洛方法无可比拟的特殊性和优 越性,因而在物理学的各种各样问题中得到广泛的应用

1、控制系统的基本概念 2、控制系统的数学描述方法 （1）微分方程— 基础 （2）传递函数（包括方块图和信号流图）— 最常用的 （3）状态方程— 描述复杂系统 3、控制系统的三大分析方法 （1）时域分析方法 （2）根轨迹分析方法 （3）频率特性分析方法

医生诊断需要结合临床症状、影像检查等各种数据，基于此，提出了一种可以进行数据融合的医疗辅助诊断方法。将患者的影像信息（如CT图像）和数值数据（如临床诊断信息）相结合，利用结合的信息自动预测患者的病情，进而提出了基于深度学习的医疗辅助诊断模型。模型以卷积神经网络为基础进行搭建，图像和数值数据作为输入，输出病人的患病情况。该医疗辅助诊断方法能够利用更加全面的信息，有助于提高自动诊断准确率、降低诊断误差；另外，仅使用提出的医疗辅助诊断模型就可以一次性处理多种类型的数据，能够在一定程度上节省诊断时间。在两个数据集上验证了所提出方法的有效性，实验结果表明，该方法是有效的，它可以提高辅助诊断的准确性

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

4.1 概述. 1 4.1.1 什么是聚类分析.1 4.1.2 基本聚类方法概述.2 4.1.3 文本聚类.3 4.2 数据间的相似性度量. 4 4.2.1 数据对象间的距离.4 4.2.2 数据对象间的相似系数.5 4.2.3 数据类间的距离.5 4.2.4 数据标准化.7 4.3 基本聚类方法. 7 4.3.1 k-均值聚类方法 .7 4.3.2 层次聚类方法.8 4.3.3 聚类要注意的问题.10 4.4 基于密度的聚类（待更新）. 10 4.5 聚类结果的评估. 10 4.5.1 基于用户验证的评估方法.11 4.5.2 基于真实数据的聚类结果评估.11 4.6 聚类分析的案例与软件操作. 11 4.6.1 K-MEANS 聚类案例(SPSS Modeler).11 4.6.2 K-MEANS 聚类案例(R 语言) .15 4.6.3 层次聚类案例（SPSS）.20 4.6.4 层次聚类案例（R 语言）.23

针对TTE (time-triggered Ethernet, TTE) 网络对业务安全性与对业务实时性要求高的问题, 提出了一种自适应双冗余的网络结构, 设计冗余报文的时间标签, 自适应恢复传输, 并设计了TTE网络中的混合流量(TT (time-triggered) 流, RC (rateconstrained) 流, BE (best-effort) 流) 调度规划方法, 根据报文的重要性, 发送端自适应的对网络报文进行分类, 其中, TT信息双网备份传输, RC、BE信息在双网分散传输.此外, 基于确定性网络分析方法, 推导了自适应双冗余调度方法下RC流的闭式延迟界, 并仿真验证了在极限网络、确定网络以及排队论仿真模型下所提方法减小网络延迟的效果, 满足TTE网络在保障业务安全性的情况下对业务实时性的要求