编码：functionoutput=cnv_encd(G,k0,input)%cnv_encd(G,k0,input),k0是每一时钟周期输入编码器的bit数，%G是决定输入序列的生成矩阵，它有n0行，L*k0列。
n0是输出bit数，%参数n0和L由生成矩阵G导出，L是约束长度。
L之所以叫约束长度%是因为编码器在每一时刻里输出序列不但与当前输入序列有关，%而且还与编码器的状态有关，这个状态是由编码器的前(L-1)k0。
%个输入决定的,通常卷积码表示为(n0,k0,m)，m=(L-1)*k0是编码%器中的编码存贮个数，也就是分为L-1段，每段k0个%有些人将m=L*k0定义为约束长度，有的人定义为m=(L-1)*k0%查看是否需要补0，输入input必须是k0的整数倍译码：functiondecoder_output=viterbi_decoder(G,k,channel_output)
n0是输出bit数，%参数n0和L由生成矩阵G导出，L是约束长度。
L之所以叫约束长度%是因为编码器在每一时刻里输出序列不但与当前输入序列有关，%而且还与编码器的状态有关，这个状态是由编码器的前(L-1)k0。
%个输入决定的,通常卷积码表示为(n0,k0,m)，m=(L-1)*k0是编码%器中的编码存贮个数，也就是分为L-1段，每段k0个%有些人将m=L*k0定义为约束长度，有的人定义为m=(L-1)*k0%查看是否需要补0，输入input必须是k0的整数倍译码：functiondecoder_output=viterbi_decoder(G,k,channel_output)
2024/4/21 15:35:36
4KB
1
使用多层CNN卷积神经网络构建模型，分析人脸的轮廓，将人脸照片数据放入data中进行训练，并且能够对人脸的表情进行分析（高兴、愤怒、难过、一般）
2024/4/20 19:39:25
917KB
1
eyeriss项目组的深度学习加速器的总结，里面现将卷积神经网络的软件架构，后面总结别人的加速器架构，以及eyeriss项目组用的方法，最后是可改进的地方
2024/4/20 14:22:39
25.72MB
1
CVPR2020:组合卷积神经网络:对部分遮挡物具有天生鲁棒性的深度架构_论文阅读
2024/4/18 0:21:42
2.51MB
1
为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
2024/4/14 16:22:47
2.56MB
1
2,1,7卷积码的viterbi译码算法的FPGA实现,内容详细,而且附带源代码.rar
2024/4/13 12:54:29
1.59MB
1
卷积神经网络python实现。
卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一[1-2]。
由于卷积神经网络能够进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificial
卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络（FeedforwardNeuralNetworks），是深度学习（deeplearning）的代表算法之一[1-2]。
由于卷积神经网络能够进行平移不变分类（shift-invariantclassification），因此也被称为“平移不变人工神经网络（Shift-InvariantArtificial
2024/4/12 15:49:47
31KB
1
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。
2024-04-09 15:03
15KB