缩比模型测量可以帮助缩短物体雷达散射截面(RCS)测量的时间，并减少其成本，而由于太赫兹波所处的波长范围的独特性，所以其在雷达散射截面缩比测量中有较多的应用。
在对粗糙表面的散射截面计算中，可以将模型简化为带有突起的平板。
单站散射（后向散射）是雷达系统中比较常用的一种测量方式，也有很多针对平面波入射情况下的计算，但是由于太赫兹源所产生的高斯光束的能量分布与平面波不同，得到的雷达散射截面的结果也与平面波不同，常常会导致测量结果和计算结果中有一定的误差。
利用镜像法仿真计算了入射光为高斯光束时平板上的突起在2.52THz频段处的雷达散射截面，详细比较了单站散射分别在二维和三维情况下，由于入射光为高斯光束对散射结果造成的影响。

亲测可用，使用的都是STM32F103基本的外设资源，一般的32板子都能用，只用连接下引脚既可。
可以实现定频输出，斜率扫频输出及其他模式的输出，且稳定误差小。
调了好几天才算调通，配置的就那四个寄存器，重要的是时序不要错。
还有个血泪教训，我用的是JTAG下载调试的，占用了B口的两个引脚，我的地址线也用到了那两个引脚导致我几天都没调出来，后来在程序里把JTAG关了就好了！！

第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31．1人工神经网络的起源……………………………………………………31．2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42．1神经元及其特性…………………………………………………………52．2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73．1Hopfield网络…………………………………………………………73．2反向传播(BP)网络……………………………………………………83．3Kohonen网络…………………………………………………………83．4自适应共振理论(ART)……………………………………………………93．5学习矢量量化（LVQ）网络…………………………………………11§1.4多层前馈神经网络（ＢＰ）模型…………………………………………124．1BP网络模型特点 ……………………………………………………124．2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144．3网络的训练过程………………………………………………………154．4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174．5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254．1样本的预处理………………………………………………………254．2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305．1面板堆石坝堆石体垂直压缩模量的控制……………………………305．2水布垭面板堆石坝变形的预测……………………………………355．3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………

本文件功能：用BP神经网络预测温湿度。
本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。
其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。
本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。
本次仿真存在不足：1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。
2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。
这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。

测量专业所学误差理论与测量平差习题，里面含有6套题

矢量栅格转换是地理信息系统（GIS）领域的经典研究主题之一。
GIS中常用的算法致力于维护矢量多边形的形状特征，但忽略了多边形面积的得失，这是另一个重要属性。
本文提出了一种基于面积补偿优化原理的等面积转换模型。
根据多边形与边界网格之间的拓扑关系，采用邻域补偿原理来分配边界网格的属性，并开发了一种全局优化算法以最小化整个数据集中的区域失真。
设计了两个实验，结果表明该算法不仅保证了面积误差尽可能小，而且具有适应多边形形状和空间结构的优点。

对IMU基础知识进行讲解，并对误差分析，对IMU的标定技术进行实验分析

基于四元数的姿态解算方法能够有效结合陀螺以及加速度计的误差特性，将运动场以及重力加速度两个互不相干的物理矢量进行互补融合。
主要利用陀螺仪测量的角速度作为四元数的更新，以重力加速度作为四元数的观测，通过8位微处理器实时解算姿态角。
基于四元数的解算方法，利用叉乘有效地把三轴陀螺以及三轴加速度计的数据进行融合，使得测量的俯仰角、横滚角逼近真角度，经过试验验证了该算法的有效性，且计算量少，在姿态控制领域有这良好的应用前景。

本文采用buck-boost升降压电路设计，输入DC5-12v，经过buck-boost电路后，可输出DC0-18v可调的电压，可输出2A以上电流，采用PID算法自动调节输出设定的稳定电压，其输出稳压误差波动小于0.01v，纹波小于150mv，转换效率＞87%，其中按键可任意设定输出的电压大小。

图像的压缩感知之AMP算法，相较于FISTA算法在执行效率上更加有效，迭代到30次左右可实现很小的误差。

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。