前言最近windows10更新后，发现非常卡顿，鼠标右键，偶尔要等10秒才能有反应，无法系统还原，但是可以通过装机软件，进行重置，类似于系统重新安装重置windows10后，因为更新了用户名，造成之前的所以git仓库，都无法直接拉取代码git操作错误提示admin@DESKTOP-TNI5ROVMINGW64/d/git/rt-thread/rt-thread_pm2$gitlogfatal:detecteddubiousownershipinrepositoryat'D:/git/rt-thread/rt-thread_pm2''D:/git/rt-thread/rt-thread_pm2'

前言最近windows10更新后，发现非常卡顿，鼠标右键，偶尔要等10秒才能有反应，无法系统还原，但是可以通过装机软件，进行重置，类似于系统重新安装重置windows10后，因为更新了用户名，造成之前的所以git仓库，都无法直接拉取代码git操作错误提示admin@DESKTOP-TNI5ROVMINGW64/d/git/rt-thread/rt-thread_pm2$gitlogfatal:detecteddubiousownershipinrepositoryat'D:/git/rt-thread/rt-thread_pm2''D:/git/rt-thread/rt-thread_pm2'

前言最近windows10更新后，发现非常卡顿，鼠标右键，偶尔要等10秒才能有反应，无法系统还原，但是可以通过装机软件，进行重置，类似于系统重新安装重置windows10后，因为更新了用户名，造成之前的所以git仓库，都无法直接拉取代码git操作错误提示admin@DESKTOP-TNI5ROVMINGW64/d/git/rt-thread/rt-thread_pm2$gitlogfatal:detecteddubiousownershipinrepositoryat'D:/git/rt-thread/rt-thread_pm2''D:/git/rt-thread/rt-thread_pm2'

前言最近windows10更新后，发现非常卡顿，鼠标右键，偶尔要等10秒才能有反应，无法系统还原，但是可以通过装机软件，进行重置，类似于系统重新安装重置windows10后，因为更新了用户名，造成之前的所以git仓库，都无法直接拉取代码git操作错误提示admin@DESKTOP-TNI5ROVMINGW64/d/git/rt-thread/rt-thread_pm2$gitlogfatal:detecteddubiousownershipinrepositoryat'D:/git/rt-thread/rt-thread_pm2''D:/git/rt-thread/rt-thread_pm2'

0.说明本文也许比较乱，请看目录再食用。后续会出文机器学习基础理论学习笔记（8）特征选择（featureselection）（二）将分类问题和回归问题分开总结。以及或将出文机器学习基础理论学习笔记（8）特征选择（featureselection）（三）将sklearn上面实现的特征选择API和方法总结。1.特征选择特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。并且常能听到“数据和

0.说明本文也许比较乱，请看目录再食用。后续会出文机器学习基础理论学习笔记（8）特征选择（featureselection）（二）将分类问题和回归问题分开总结。以及或将出文机器学习基础理论学习笔记（8）特征选择（featureselection）（三）将sklearn上面实现的特征选择API和方法总结。1.特征选择特征选择是特征工程里的一个重要问题，其目标是寻找最优特征子集。特征选择能剔除不相关(irrelevant)或冗余(redundant)的特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。另一方面，选取出真正相关的特征简化模型，协助理解数据产生的过程。并且常能听到“数据和

原文链接目录一、日常环境中的声音世界检测二、声音事件监测的挑战三、通用的机器学习方法四、数据五、信号处理方法A数据增强B特征表示六、SED机器学习ACRNNB先进方法迁移学习使用weaklabel和noisylabel（弱监督学习）七、性能评估比较指标八、相关研究问题九、未来展望ActivelearningFederatedlearningzero-shotlearningmodeladaptation参考引用一、日常环境中的声音世界检测自动声音事件检测（SED）方法的目标是识别音频信号中正在发生的事情以及它发生的时间。在实践中，目标是识别不同的声音在音频信号中什么时间段是活跃的。就一般目的的

原文链接目录一、日常环境中的声音世界检测二、声音事件监测的挑战三、通用的机器学习方法四、数据五、信号处理方法A数据增强B特征表示六、SED机器学习ACRNNB先进方法迁移学习使用weaklabel和noisylabel（弱监督学习）七、性能评估比较指标八、相关研究问题九、未来展望ActivelearningFederatedlearningzero-shotlearningmodeladaptation参考引用一、日常环境中的声音世界检测自动声音事件检测（SED）方法的目标是识别音频信号中正在发生的事情以及它发生的时间。在实践中，目标是识别不同的声音在音频信号中什么时间段是活跃的。就一般目的的

1图像二维熵图像二维熵作为一种特征评价尺度能够反映出整个图像所含平均信息量的高低，熵值(H)越大则代表图像所包含的信息越多，反之熵值(H)越小，则图像包含的信息越少。对于图像信息量，可以简单地认为图像的边缘信息越多则图像的信息量越大。二维熵公式如下所示：2信号丢失检测2.1画面对比由于信号丢失所产生的画面大部分均由简单的纯色或少色的人造图像，再加上“信号丢失”提示信息所构成，因此信号丢失画面的信息量与正常图像相比较低，因此其对应的二维熵值更小。例如：上图所示的信号丢失画面由黑色屏幕加上信号丢失提示组成，画面简单，信息量较低。而正常画面具有更多的边缘信息，相较于信号丢失画面，正常图像具有更高的信

1图像二维熵图像二维熵作为一种特征评价尺度能够反映出整个图像所含平均信息量的高低，熵值(H)越大则代表图像所包含的信息越多，反之熵值(H)越小，则图像包含的信息越少。对于图像信息量，可以简单地认为图像的边缘信息越多则图像的信息量越大。二维熵公式如下所示：2信号丢失检测2.1画面对比由于信号丢失所产生的画面大部分均由简单的纯色或少色的人造图像，再加上“信号丢失”提示信息所构成，因此信号丢失画面的信息量与正常图像相比较低，因此其对应的二维熵值更小。例如：上图所示的信号丢失画面由黑色屏幕加上信号丢失提示组成，画面简单，信息量较低。而正常画面具有更多的边缘信息，相较于信号丢失画面，正常图像具有更高的信