注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 颜色预测模型评估vc++

  2. 颜色预测模型评估 可以实现颜色预测的色差评估

  3. 所属分类：C++

    • 发布日期：2009-05-20
    • 文件大小：319kb
    • 提供者：tdwcn

  1. 色貌模型的人工神经网络方法的研究

  2. ：色貌模型(CAM)主要解决不同观察条件、不同背景和不同环境下的颜色真实再现问题。采用人工神经网 络(ANN)的方法来实现目前最新的色貌模型CIECAM 02的预测，包括正向预测(从色度参数到色貌属性参数)和逆向预 测(从色貌属性参数到色度参数)，应用自然色系统(NCS)中的部分色样作为神经网络的训练和测试样本。由于正向输 出色貌属性参数空间不是均匀的，对于网络预测精度用特殊方法评估，而对于逆向模型则可直接利用 B色差公式评 价。测试的结果表明：用神经网络对CIECAM 02模型的预测达到了较

  3. 所属分类：网络基础

    • 发布日期：2010-11-10
    • 文件大小：174kb
    • 提供者：qfzcx

  1. pp碰撞中从固定目标到LHC能量的直接碰撞产生直夸克的能量依赖性：完整的单环分析

  2. 我们在非相对论性QCD（NRQCD）内以次先导顺序（NLO）计算高达pp碰撞中直接产生的夸克顿的PT积分截面的能量依赖性，即在非相对论QCD（NRQCD）内，处理PT积分和PT -横截面为两个不同的可观察物。 因此，可以从中型和大型PT的PT横截面的拟合值中提取预测PT集成产量所需的彩色八位字节NRQCD参数。 首次，使用PT微分产量的最新NLO拟合，以完全NLO精度在NRQCD中评估了总横截面。 除了使用Butenschoen和Kniehl的拟合结果外，我们获得的J /ψ，ψ'和Υ（1S）的

  3. 所属分类：其它

  1. 夸克-强子-对偶方法在一个循环中关联生产一个夸克和一个玻色子

  2. 鉴于在s = 8 $$ \ sqrt {s} = 8 $$ TeV的ATLAS数据与单部分散射（SPS）的理论预测之间存在关联的即时J /ψ和Z玻色子的巨大差异 贡献，我们以夸克-强子对偶方法（也称为颜色蒸发模型（CEM））以一个循环精度（次于领先顺序，NLO）执行对相应横截面的评估。 这项工作的动机是（i）基于现有NRQCD拟合的极不相同的预测加上没有完整的NLO NRQCD计算，以及（ii）我们相信这样的评估提供了SPS交叉的可能上限 部分。 除了这些理论上的改进之外，我们认为，双倍子散射（

  3. 所属分类：其它

    • 发布日期：2020-04-06
    • 文件大小：593kb
    • 提供者：weixin_38590775

  1. 偶极子进化：集体性和γ* A碰撞的观点

  2. 质子的横向空间结构是一个揭示物质基本性质的区域，为深入了解质子在高能碰撞以及重离子碰撞中出现的新出现的集体现象提供了重要的信息。 在本文中，使用BFKL演化的偶极公式预测了偏心率和偏心率波动。 此外，通过评估初始状态中颜色波动的重要性，朝着生成γ* A碰撞的完全排他的最终状态迈出了第一步。 这些步骤对于为未来的电子对撞机准备事件发生器至关重要。 由于质子结构的碰撞参数图片与ep和pp碰撞的横截面之间存在联系，因此可以通过拟合这些量来完全确定模型参数，从而将结果保留为模型的真实预测。

  3. 所属分类：其它

  1. Trading_Strategies_with_Stock_Data_Updating:在这个项目中，我抓取了选定股票的数据，并应用了各种机器学习模型进行分类并提供每周交易建议-源码

  2. 具有库存数据的数据科学（不断更新） 在此项目中，将刮取选定股票2018年和2019年的数据，并按预定规则将“绿色”或“红色”标签分配给每周。 我们将实现许多机器学习分类器，以预测标签并评估模型性能。 对于这些分类器，我们还将基于标签计算交易策略的绩效。 该项目的主要目的是探索每种机器学习算法的特征，并测试它们在应用库存数据时的表现。 为了更好地理解该项目，我们将介绍几个概念，并说明在这种情况下如何定义它们。 对于库存数据，我们将每周标记为“绿色”或“红色”。 “绿色”周意味着该周（从周五

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：603kb
    • 提供者：weixin_42129797

  1. 一种面向颜色校正的拼接图像质量评价方法

  2. 为了更好地设计和评估图像拼接算法, 提出一种面向颜色校正的拼接图像质量评价方法。该方法利用现有的颜色校正算法和拼接算法建立了含有5种色差的拼接图像库; 分别从拼接前图像序列和拼接图像中提取4个特征, 将4个特征进行融合后, 通过支持向量回归算法建立特征与质量之间的关系模型, 预测色差拼接图像质量。实验结果表明, 所提方法可以有效评估色差拼接图像的质量。

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：12mb
    • 提供者：weixin_38552536

  1. 用于CIFAR-10-图像分类的卷积神经网络-源码

  2. 用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像：飞机，汽车，鸟类，猫，鹿，狗，青蛙，马，船，卡车： 1.准备数据 我们需要将输入标准化，例如：$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评

  3. 所属分类：其它