《现代通信网》课程教学资源（参考教材）Data Networks（Second Edition）Multiaccess Communication

《现代通信网》课程教学资源（参考教材）Data Networks（Second Edition）Introduction and Layered Network Architecture

1.1 What is the Internet? 1.2 Network edge 1.3 Network core 1.4 Network access and physical media 1.5 Internet structure and ISPs 1.6 Delay & loss in packet-switched networks 1.7 Protocol layers, service models 1.8 History

《国际政治经济学》文献资料（Political Economy of Foreign Investment）Familiarity Breeds Investment. Diaspora Networks and International Investment

基于面部动态表情序列，针对静态表情缺少时间信息等问题，将空间特征与时间特征融合，利用神经网络在图像分类领域良好的特征，对需要进行细节分析的表情序列进行处理，提出基于分离式长期循环卷积网络(Separate long-term recurrent convolutional networks, S-LRCN)的微表情识别方法。首先选取微表情数据集提取面部图像序列，引入迁移学习的方法，通过预训练的卷积神经网络模型提取表情帧的空间特征，降低网络训练中过拟合的危险，并将视频序列的提取特征输入长短期记忆网络(Long short-team memory, LSTM)处理时域特征。最后建立学习者表情序列小型数据库，将该方法用于辅助教学评价

针对提高Wi-Fi指纹室内定位技术性能，提出了一种基于卷积神经网络（Convolutional neural networks，CNN）的信道状态信息（Channel state information，CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息，利用CNN进行训练，保存训练后的CNN网络模型作为指纹；在线阶段，针对不同实验场景，对测试数据的幅度差信息和相位差信息进行加权处理，引入改进的基于概率的指纹匹配算法，利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外，为增强算法普适性，针对复杂室内场景，提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验，信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差，验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

复旦大学：《心灵哲学 Philosophy of Mind》课程教学资源（PPT课件讲稿）Lecture 5 Artificial Neural Networks And Neurosemantics

复旦大学：《网络科学导论 Introduction to Network Science》教学课件_6- Scale free networks

复旦大学：《网络科学导论 Introduction to Network Science》教学参考文献_Virus spread in networks