flash 鍵盤(pán)音效取自win2000系統(tǒng)ding.wav，經(jīng)過(guò)CoolEdit處理成音階，在Flash中導(dǎo)入在相應(yīng)按鈕上。 沒(méi)有難度，就是耐心一點(diǎn)，成績(jī)不錯(cuò)哦！ 對(duì)應(yīng)表： 低音G-a #G-w A-s #A-e B-d 中音C-f #C-t D-g #D-y E-h F-j #F-i G-k #G-o A-l #A-p B- 高音C-1 D-2 E-3 F-4 G-5 A-6 B-7 C(high)-8 #C-c #D-v #F-b #G-n #A-m
上傳時(shí)間： 2014-02-06
上傳用戶：ljmwh2000
isomap等規(guī)度映射，特征提取，機(jī)器學(xué)習(xí)
上傳時(shí)間： 2016-10-08
上傳用戶：問(wèn)題問(wèn)題
運(yùn)用分形理論描述圖像紋理特征，通過(guò)分析不同紋理圖像及圖像邊緣處的分形參數(shù)，得 到一種新的邊緣檢測(cè)分形特征，從而提出一種基于分形特征的圖像邊緣檢測(cè)方法。自適應(yīng)閾值的 引入，能夠?qū)崿F(xiàn)不同圖像的邊緣檢測(cè)。該算法簡(jiǎn)單迅速，并具有良好的抗噪性能。
上傳時(shí)間： 2016-11-26
上傳用戶：hebmuljb
數(shù)值微分和數(shù)值積分:Newton-Cotes公式、復(fù)化公式和區(qū)間逐次半分法、外推法和Romberg積分、自適應(yīng)Simpson積分法 [ReMap.rar] - EASYARM2200教學(xué)實(shí)驗(yàn)平臺(tái)上的存儲(chǔ)器映射
標(biāo)簽： Newton-Cotes EASYARM Romberg Simpson
上傳時(shí)間： 2013-12-17
上傳用戶：685
對(duì)信號(hào)進(jìn)行自適應(yīng)核二次型時(shí)頻分布變換，顯示信號(hào)的時(shí)頻特征
標(biāo)簽： 信號(hào) 時(shí)頻分布 變換
上傳時(shí)間： 2016-12-11
上傳用戶：lyy1234
利用加強(qiáng)的PWM模組輸出半橋式PWM輸出，並設(shè)定適當(dāng)?shù)目辗r(shí)間，同時(shí)開(kāi)啟自動(dòng)關(guān)閉功能，當(dāng)RB0觸發(fā)時(shí)檢查蜂鳴器是否運(yùn)作正常，這是PIC184520的源碼
上傳時(shí)間： 2013-12-15
上傳用戶：er1219
用J2ME開(kāi)發(fā)的一個(gè)實(shí)用軟件——計(jì)算器。實(shí)現(xiàn)了windows系統(tǒng)自帶計(jì)算器的基本計(jì)算功能，界面很舒服，并實(shí)現(xiàn)了鍵盤(pán)映射功能。這是我給自己的手機(jī)定做的，現(xiàn)在共享給大家。
標(biāo)簽： windows J2ME 計(jì)算器 軟件
上傳時(shí)間： 2017-03-05
上傳用戶：libenshu01
本書(shū)主要介紹了核心語(yǔ)言、核心Java庫(kù)、服務(wù)器端Java技術(shù)、客戶端Java技術(shù)和企業(yè)級(jí)Java技術(shù)。其中 核心語(yǔ)言部分討論了語(yǔ)法、面向?qū)ο缶幊烫卣骱汀╆P(guān)鍵技術(shù)；核心Java庫(kù)部分討論了輸入/輸出、模式匹配、 文件鎖、映射的I/O技術(shù)以及數(shù)據(jù)結(jié)構(gòu)與集合；服務(wù)器端Java技術(shù)部分討論了JFC/Swing CGI開(kāi)發(fā)、Applet、容器布局以及圖形編程等技術(shù)；企業(yè)級(jí)Java技術(shù)部分討論了JDBC API、EJB體系結(jié)構(gòu)的基礎(chǔ)知識(shí)、Java平臺(tái)安全方案以及XML。 本書(shū)結(jié)構(gòu)嚴(yán)謹(jǐn)、語(yǔ)言流暢，是一個(gè)學(xué)習(xí)Java 2最新技術(shù)的綜合參考書(shū)，適合各種層次的Java編程人員使用。
上傳時(shí)間： 2017-05-05
上傳用戶：pkkkkp
關(guān)于關(guān)聯(lián)向量機(jī)應(yīng)用的最新文獻(xiàn)！ 提出了一種核主元分析(KPCA)和關(guān)聯(lián)向量機(jī)(RVM)相結(jié)合的組合建模方法。KPCA-RVM采用KPCA對(duì)原始自變量進(jìn)行非線性變換并提取主成分,形成特征自變量 采用RVM,對(duì)KPCA變換后的樣本數(shù)據(jù)進(jìn)行回歸建模,并根據(jù)模型的預(yù)報(bào)能力自適應(yīng)的確定參與回歸的最佳特征變量個(gè)數(shù),消除冗余信息干擾,獲得強(qiáng)非線性表達(dá)能力且預(yù)報(bào)性能良好的模型。并將KPCA-RVM應(yīng)用于PTA裝置對(duì)羧基苯甲醛(4-CBA)含量的軟測(cè)量建模,結(jié)果表明該方法預(yù)測(cè)精度高于PCA-RVM和RVM。
標(biāo)簽： KPCA KPCA-RVM RVM 向量機(jī)
上傳時(shí)間： 2013-12-20
上傳用戶：ddddddos
語(yǔ)音識(shí)別中的說(shuō)話人自適應(yīng)研究.nh 1.MAP和MLLR算法比較 文章在討論由說(shuō)話人引起的聲學(xué)差異基礎(chǔ)上，研究?jī)煞N基于模型 的自適應(yīng)算法:最大似然線性回歸(州壓LR)和最大后驗(yàn)概率(MAp)。 實(shí)驗(yàn)結(jié)果表明，不論采用哪種自適應(yīng)都能使識(shí)別率有一定的提升。兩 種算法之間的差異性在于MAP具有良好的漸進(jìn)性，但收斂性較差， 而MLLR在很大程度上改善了收斂特性，但其漸進(jìn)特性卻不如MAP。 文章討論了在側(cè)汰P自適應(yīng)中，初始模型參數(shù)的先驗(yàn)知識(shí)對(duì)自適 應(yīng)效果的影響，以及在MLLR中，回歸類對(duì)自適應(yīng)效果的影響。文 章還進(jìn)一步研究了采用兩種算法的累加自適應(yīng)效果，從結(jié)果看MAP 和MLLR結(jié)合的方法比單獨(dú)使用M[AP和MLLR的效果要好。文章 還對(duì)包括基于特征層的歸一化算法和用于基于聲學(xué)模型的MLLR算 法等效性進(jìn)行討論，并給出了統(tǒng)一的算法框架。
標(biāo)簽： MLLR MAP nh 語(yǔ)音識(shí)別
上傳時(shí)間： 2014-01-09
上傳用戶：bakdesec
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
