在Eb/N0（5db~30db，间隔5db）下的加性高斯白噪声，并且假设信道（AWGN信道、瑞利信道）引入了30度的相位误差，采用QPSK调制信号作为导频信号，试仿真不同情况下的平均相位估计与采样点间曲线。
改变里面参数，并分析其对相位估计的影响。
详见我的博客：高斯信道下信号相位估计
改变里面参数，并分析其对相位估计的影响。
详见我的博客：高斯信道下信号相位估计
2024/5/1 15:52:24
4KB
1
是检测估计和调制理论的经典著作。
没有包含卷2，因为重要性没那么突出。
这里给出PartI、PartIII和PartIV的高清非扫描版，希望能够帮助有需要的人。
没有包含卷2，因为重要性没那么突出。
这里给出PartI、PartIII和PartIV的高清非扫描版，希望能够帮助有需要的人。
2024/5/1 2:40:51
108.17MB
1
内容包含最小错误贝叶斯估计，kn近邻估计，Fisher线性判别，SVM实现，决策树和C均值算法的MATLAB实现。
2024/4/28 14:15:25
2.28MB
1
STM32中文固件库+中文芯片手册(完全版)芯片手册：STM32F10XX2009年6月第九版，共754页！固件库：中文版共781页！打包下载，估计应该是比较全的了。
2024/4/28 10:51:39
13.25MB
1
运用地统计学进行空间分析基本包括以下几个步骤，即数据探索性分析，空间连续性的量化模型，未知点属性值的估计，对未知点局部及空间整体不确定性的预测。
2024/4/27 1:54:01
348KB
1
论文+翻译+PPT+代码+动画视频PoseCNN：AConvolutionalNeuralNetworkfor6DObjectPoseEstimationinClutteredScenes；
机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。
由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。
本文介绍了一种用于6D目标姿态估计的新型卷积神经网络PoseCNN。
PoseCNN通过在图像中定位物体的中心并预测其与摄像机的距离来估计物体的三维平移。
通过回归到四元数(w,x,y,z)表示来估计物体的三维旋转。
机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。
由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。
本文介绍了一种用于6D目标姿态估计的新型卷积神经网络PoseCNN。
PoseCNN通过在图像中定位物体的中心并预测其与摄像机的距离来估计物体的三维平移。
通过回归到四元数(w,x,y,z)表示来估计物体的三维旋转。
2024/4/26 2:23:44
26.44MB
1
一般的空间模式(CSP)是一种在脑-机接口(BCIs)背景下对脑电图(EEG)信号进行分类的流行算法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
2024/4/24 0:29:52
1.73MB
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