2.2 软件架构图2.1 软件架构本软件主要由QT前端界面和非特定类别图像前景分割算法构成
3.2 设计思路3.2.1 研究现状 在现在的显著性目标检测算法中，
2023-01-12 09:58:05
9.2MB
1
简要介绍
我是竞赛选手rebornZH，很高兴在2019 CCF BDCI大赛中拿下3个NLP竞赛TOP，在这里我主要分享金融信息负面及主体判定赛题的解决方案和自己对另外两个NLP赛题的一些解题思路，希望能与大家一起学习，一起进步，同时如果有NLP方向的朋友愿意和我一起交流学习NLP技术我也是非常欢迎的，可以加我QQ联系，后面有联系方式。最后希望大家多给下star，毕竟整理这些也挺花时间的，在这里先谢谢大家了。
比赛链接
金融信息负面及主体判定：
“技术需求”与“技术成果”项目之间关联度计算模型：
互联网金融新实体发现：
特别说明
上面的开源代码是在我最终版代码上修改而来的baseline，因为有些代码涉及到我队友，不方便全部开源，因此我特地整理一个比较好的基线给大家作为参考，这个基线的分数应该是该赛题开源的基线中分数最好的，并且距离最终版代码差别不是特别大。
GPU最低要求：2080Ti
2022-12-16 23:27:56
10.82MB
1
基于机器学习的发债主体违约风险预测项目源码+项目说明.7z
【项目介绍】
该项目以发债企业作为研究对象，利用财务逻辑和技术手段对178个原始特征指标进行有效筛选，构建了基于多种机器学习算法的模型，对比后挑选LightGBM模型作为最终模型进行更精细化训练，最终模型关键预测指标均有比较好的效果。
Jupyter Notebook代码
【使用说明】
BondDefault文件为项目代码
基于机器学习的发债主体违约风险预测.pptx为ppt形式的项目展示
2022-12-13 13:25:59
1.29MB
项目3
机器人网络的分布式任务分配
任务1
1）N个代理商
解决约束耦合线性规划问题（1）：
min {z1 ... zN} sum {1，N}（ci'zi）主题：sum {1，N} Hizi = b zi€Pi，i€{1 ... N}
ci€R ^ ni，嗨€R ^ Sxni，b€R ^ S紧凑多面体Pi = {zi€R ^ ni | Dizi = <di，Gizi = gi} i€{1 ... N}
使用分布式双重次梯度：
包含在“智能网络物理网络的分布式优化”中
蒙特卡洛模拟和曲线图显示了收敛的N和问题大小的变化
任务2
N个机器人，N个任务分散在有限的环境中
每个机器人必须完成一项任务，每个任务最多必须由一个机器人完成
min（机器人的行进距离）
二分分配图Ga = {Va，Ua; Ea}任务Va = {1 ... N}，代理Ua = {1 ... N}边（i，k）€Ea存
2022-09-04 09:53:03
5.83MB
1
多代理SAC
介绍
环境。
在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或将球击出界外，则其获得的奖励为-0.01。 因此，每个特工的目标是保持比赛中的球权。
观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。
该任务是情节性的，并且为了解决环境，您的特工必须获得+0.5的平均分数（在两个特工均取得最高分后，连续100次以上）。 具体来说，
在每个情节之后，我们将每个代理商获得的奖励加起来（不打折），以获得每个代理商的得分。 这将产生2个（可能不同）的分数。 然后，我们取这两个分数中的最大值。
这为每个情节产生一个单一的分数。
当这些分数的平均值（超过100集）至少为+0.5时，就认为环境已解决。
2022-08-24 18:57:52
1.23MB
1
4.多类异质主体
NetLogo可以定义不同类别(称为breeds)的turtles，各类turtle可以拥有特有的属性和例程。
定义关键词为breed，例如：
breed [wolves wolf]
breed [sheep a-sheep]
一旦定义了一类turtle，系统自动创建该类所有turtle的集合，一些相关的原语也马上可以使用了，
例如对于sheep类就有create-sheep、hatch-sheep、is-a-sheep?等。
也可以指定该类具有的变量，例如对于sheep，“sheep-own [grabbed?]”就为sheep增加了一个变量。
2022-07-14 22:24:16
293KB
1