最近几年，例如YAGO和DBpedia等大规模知识库发展有了很大的进步。
知识库提供了大量的不同种类的实体信息，如人、国家、河流、城市大学等等，同时知识库包含了大量的在实体（entity）间的关系既事实（fact）。
当今的知识库包含的数据量是巨大的通常有百万个实体和上亿个描述实体间关系的事实数据。
虽然目前的知识库存在大量的实体和事实数据，但是这样大规模的数据仍然不完整。
目前构建知识库的方法主要有两种，一种是从大量的文本中抽取事实但这种方法必然会带来大量的噪声数据，第二是人工扩展，但这样的方法对于时间的开销是极大的。
如果确保一个知识库是完整的则必须花费很大的努力来抽取大量的事实，并检查事实的正确性，因为只有正确的事实加入到知识库中才是有意义的。
同时知识库的本身由于有足够的信息可以推理出更多的新的事实。
例如有这样一个例子，一个知识库包含一组事实是孩子c有一个妈妈m，这样可以推理得出孩子妈妈的丈夫f很可能是孩子的父亲。
该逻辑规则形式化的描述如下：motherof(m,c)∧marriedTo(m,f)⟹fatherof(f,c)挖掘这种规则可帮助做一下四种事情：1、利用这种规则来推理出新的事实，而这些被挖掘出的新的事实可以使知识库更完整。
2、这些规则可以检测出知识库潜在的错误例如一个陈述是一个与一个男孩无关的人是这个男孩的父亲，这样的陈述很可能是错误的。
3、有很多推理工具依赖其他工具提供规则，所以这些被挖掘出来的规则可以用于推理。
4、这些规则描述一个普遍的规律，这些规律可以帮我我们理解分析知识库中的数据，如找到一些国家通常与说同一种语言的国家交易。
或结婚是一个对称关系，或使用同一个乐器的音乐家通常互相影响等等。
AMIE的目标是从RDF格式的知识库中挖掘如上所述的逻辑规则，在语义网（SemanticWeb）中存在大量的RDF知识库如YAGO、Freebase和DBpedia等。
这些知识库使用RDF三元组（S,P,O）提供二元关系（binaryrelation）的描述。
由于知识库一般只包含正例而（S,P,O）没有反例（S,¬P,O），所以RDF这样的知识库中仅能通过正例来推理。
进一步来说在RDF知识库上的操作是基于开放世界假设（OWA）的。
在开放世界假设下，一个事实没有在知识库中存在那么我们不能说这个事实是错误的，只能说这个陈述是未知的。
这与标准的数据库在封闭世界假设的设定有本质上的区别。
例如在知识库中没有包含marry(a,b)，在封闭世界假设中我们可以得出这个a没有和b结婚而在开放世界假设下我们只能说a可能结婚了也可能单身。
压缩包内包含AMIE可运行源代码与相应文档资料，欢迎下载参考

本文档是以ABB公司具体仿真为参考，通过对仿真过程及仿真结果的分析，阐述了噪声在变压器中的影响。

为方差0.1的百噪声信号，设计最小方差自校正调节器并仿真运行系统；

噪声消除LNA的原理性文档，非常好用。
近年来兴起的LNA研究热门领域就是NOISECANCELINGLNA。
该文章详细记录了LNA的来龙去脉。

针对MEMS陀螺仪精度不高、随机噪声复杂的问题，研究了某MEMS陀螺仪的随机漂移模型。
应用时间序列分析方法，采用AR(1)模型对经过预处理的MEMS陀螺仪测量数据噪声进行建模，进而基于该AR模型并采用状态扩增法设计Kalman滤波算法。
速率试验和摇摆试验仿真结果表明在静态和恒定角速率条件下，采用该算法滤波后的MEMS陀螺仪的误差均值和标准差都比滤波前有了明显的降低。
针对摇摆基座下该算法随摆动幅度的增大效果变差的问题，从提高采样率和选择自适应Kalman滤波两个方面对算法进行改进。
仿真结果表明，两种方法都能改善滤波效果，然而考虑到系统采样频率和CPU计算速度的限制，自适应滤波有更高的实用性。

各种边缘检测算子；
灰度变换（对数变换）；
加噪声；
锐化（边缘增强）；
神经网络分类；
图像二值化；
线性平滑滤波；
直方图均衡化；
直方图均衡化及规定化；
中值滤波

仿真在LTE中16QAM和64QAM信号的SNR与误码率间的关系。
即实现了误码率与SNR间的关系，又实现了误比特率与SNR间的关系，还实现了添加高斯白噪声时的实际效果与理论值间的差别比较

用C++编写的模拟高斯白噪声程序，可用于数字通信原理课程的仿真

第1章绪论第2章SAR成像原理2.1引言2.2SAR系统参数2.3单脉冲距离向处理2.4线性调频脉冲与脉冲压缩2.5SAR方位向处理2.6SAR线性测量系统2.7辐射定标2.8小结参考文献附录2A星载SAR的方位向处理第3章图像缺陷及其校正3.1引言3.2SAR成像散焦3.2.1自聚焦方法3.2.2自聚焦技术的精确性3.2.3散射体性质对自聚焦的影响3.3几何失真与辐射失真3.3.1物理原因及关联的失真3.3.2基于信号的MOCO方法3.3.3天线稳定性3.4残留SAR成像误差3.4.1残留的几何与辐射失真3.4.2旁瓣水平3.5基于信号的MOCO方法的改进3.5.1包含相位补偿的迭代自聚焦3.5.2较小失真的高频跟踪3.5.3常规方法与基于信号方法相结合的MOC0方法3.6小结参考文献第4章SAR图像的基本特性4.1引言4.2SAR图像信息的特质4.3单通道图像类型与相干斑4.4多视处理估计RCS4.5相干斑的乘性噪声模型4.6RCS估计——成像与噪声的影响4.7SAR成像模型的结果4.8空间相关性对多视处理的影响4.9系统引入空间相关性的补偿4.9.1子采样4.9.2预平均4.9.3插值4.10空间相关性估计：平稳性与空间平均4.11相干斑模型的局限性4.12多维SAR图像4.13小结参考文献第5章数据模型5.1引言5.2数据特征5.3经验数据分布5.4乘积模型5.4.1RCS模型5.4.2强度概率密度函数5.5概率分布模型的比较5.6基于有限分辨率成像的目标RCS起伏5.7数据模型的局限性5.8计算机仿真5.9小结参考文献第6章RCS重建滤波器6.1引言6.2相干斑模型和图像质量度量6.3贝叶斯重建6.4基于相干斑模型的重建6.4.1多视处理相干斑抑制6.4.2最小均方误差相干斑抑制……第7章RCS分类与分割第8章纹理信息提取第9章相关纹理第10章目标信息第11章多通道SAR数据的信息处理第12章多维SAR图像分析技术第13章SAR图像的分类第14章现状与前景分析

运动目标检测在计算机视觉，图像处理，模式识别等多领域有着广泛的应用，经历了多年的研究和探索，针对运动目标检测的算法层出不穷，我们也积累了许多相关的算法。
但是我们还远没有完成对这个充满挑战的领域的探索。
本文对运动目标检测的技术进行了一定的研究，实现了基于canny算子和光流法相结合的运动目标检测方法。
为了能够准确把握这个行业的动态，本文首先介绍了运动目标检测的三大经典方法：背景相减法，帧差法，光流法。
同时比较了各自的优缺点。
帧差法具有易实现，计算量小的优点，但是却无法准确的检测出运动目标的完整轮廓。
光流法具有对不断运动的运动目标进行目标检测，但是它却有很大的计算量，同时对噪声也比较敏感。
为了可以对运动目标进行更好的识别，我们提出了边缘检测算子与光流法相结合的新方法。
在对多种边缘检测算子进行了了解之后，我们确定了利用canny算子进行边缘检测，并且结合光流法进行运动目标检测的方法。
在用canny算子检测出运动物体边缘之后，借助光流法计算出物体的运动场，同时结合最大类间方差法分辨出运动目标和背景，接着将物体的边缘信息和物体的运动信息进行融合，最后运用数学形态学的方法对结果进行处理，得到最终的运动目标。
通过实验，我们发现该方法既克服了帧差法不能准确检测出运动物体轮廓，和光流法抗噪声能力差的缺点，可以准确检测运动目标，对运动目标具有更好的检测效果

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。