[其它] 知识渊博的制造单元中动态调度的自适应方法

说明：为了克服单一调度规则的全球产能的不足，这是至关重要的，选择在动态调度的实时调度一个规则。 在这些研究解决选择调度规则的方法，很少有对领域知识或准确的训练例子，这是很难获取来自真实的生产系统没有任何要求。 在本文中，一种新的学习算法，与自适应调度控制策略的呈现沿，提出有效地获得动态调度的知识，以及不同的调度规则被选择来调度在机器的作业根据当前瞬时状态缓冲器系统的。 通过案例研究来说明调度控制策略的有效性。
<weixin_38638688> 上传 | 大小：239kb

[其它] 网络化控制系统连续动态输出反馈控制器设计

说明：网络化控制系统连续动态输出反馈控制器设计
<weixin_38610070> 上传 | 大小：421kb

[其它] 一种非确定性的网络演算

说明：一种非确定性的网络演算
<weixin_38610682> 上传 | 大小：1mb

[其它] 网络演算的矩阵解释

说明：网络演算的矩阵解释
<weixin_38614391> 上传 | 大小：463kb

[其它] 基于场景结合的大规模动态群体可见性计算方法

说明：基于场景结合的大规模动态群体可见性计算方法
<weixin_38593738> 上传 | 大小：685kb

[其它] 群组动画中的队形约束与控制方法

说明：群组动画中的队形约束与控制方法
<weixin_38682086> 上传 | 大小：1mb

[其它] 基于覆盖主题得分的信息检索查询性能预测

说明：我们提出一种称为覆盖主题得分（CTS）的统计方法，以预测信息检索的查询性能。 估计基于从某个检索系统检索到的文档对用户查询主题的覆盖程度。 我们的方法从概念上讲是简单直观的，并且可以轻松扩展以包含超出词组（例如词组和术语接近度）的功能。 实验表明，在多种TREC测试集中，CTS与查询性能显着相关，尤其是CTS得益于短语特征和术语接近性，从而获得了更大的预测能力。 我们将CTS与先前的查询性能预测的最先进方法进行了比较，包括清晰度得分和鲁棒性得分。 我们的实验结果表明，CTS的性能始终优于或至少优
<weixin_38621150> 上传 | 大小：298kb

[其它] 模型加速概述与模型裁剪算法技术解析

说明：将深度学习模型应用于自动驾驶的感知任务上，模型预测结果的准确性和实时性是两个重要指标。一方面，为了确保准确可靠的感知结果，我们会希望选择多个准确性尽可能高的模型并行执行，从而在完成多种感知任务的同时，提供一定的冗余度，但这不可避免的意味着更高的计算量和资源消耗。另一方面，为了确保车辆在各种突发情况下都能及时响应，我们会要求感知模块的执行速度必须与自动驾驶场景的车速相匹配，这就对深度学习模型的实时性提出了很高的要求。另外，在保证高准确性和高实时性的前提下，我们还希望降低模型对计算平台的算力、内存带
<weixin_38516956> 上传 | 大小：738kb

[其它] SEED-XDS510PlusCCS4.x&Above驱动

说明：合众达XDS510plus仿真器驱动
<Kevin_0118> 上传 | 大小：2mb

[其它] 深度学习模型压缩与加速综述

说明：目前在深度学习领域分类两个派别，一派为学院派，研究强大、复杂的模型网络和实验方法，为了追求更高的性能；另一派为工程派，旨在将算法更稳定、高效的落地在硬件平台上，效率是其追求的目标。复杂的模型固然具有更好的性能，但是高额的存储空间、计算资源消耗是使其难以有效的应用在各硬件平台上的重要原因。所以，卷积神经网络日益增长的深度和尺寸为深度学习在移动端的部署带来了巨大的挑战，深度学习模型压缩与加速成为了学术界和工业界都重点关注的研究领域之一。分组卷积即将输入的featuremaps分成不同的组（沿chan
<weixin_38682254> 上传 | 大小：363kb

[其它] 技术中台实践：微服务篇

说明：“中台”这个概念火了一年多了，年初的时候又”火“了一次。相信任何事物都有它的两面性，正如我们做架构的时候其实也一直在做取舍。小鹏汽车的技术中台（Logan）已经快两岁了，今天我们不讨论该不该做技术中台，只说说中台给我们带来了什么。不管黑猫白猫，捉到老鼠就是好猫。小鹏汽车的智能离不开复杂系统的支撑，其特有的互联网基因要求业务能够应对市场的迅速变化：快速响应、快速试错、快速创新。同时，为了给客户提供优质服务，系统需要更高的可靠性，降本增效也是公司快速发展过程中特别关注的。技术中台正好契合了公司上述所
<weixin_38721691> 上传 | 大小：423kb

[其它] 知识增益:文本分类中一种新的特征选择方法

说明：特征选择在文本分类中起重要的作用。文档频率(DF)、信息增益(IG)和互信息(MI)等特征选择方法在文本分类中广泛应用。已有的实验结果表明,IG是最有效的特征选择算法之一,该方法基于申农提出的信息论。本文基于粗糙集理论,提出了一种新的特征选择方法(KG算法),该方法依据粗糙集理论关于知识的观点,即知识是分类事物的能力,将知识进行量化,提出知识增益的概念,得到基于知识增益的特征选择方法。在两个通用的语料集OHSUMED和NewsGroup上进行分类实验发现:KG算法均超过IG的性能,特别是在特征空
<weixin_38683930> 上传 | 大小：567kb