目录：第一章绪论1·1生物视觉通路简介1·2Marr的计算视觉理论框架1·3本书各章内容简介1·4计算机视觉的现状与阅读本书需注意的问题思考题参考文献第二章边缘检测2·1边缘检测与微分滤波器2·2边缘检测与正则化方法2·3多尺度滤波器与过零点定理2·4最优边缘检测滤波器2·5边缘检测快速算法2·6图像低层次处理的其他问题思考题参考文献第三章射影几何与几何元素表达3·1仿射变换与射影变换的几何表达3·2仿射坐标系与射影坐标系3·3仿射变换与射影变换的代数表达3·4不变量3·5由对应点求射影变换3·6点3·7指向和方向3·8平面直线及点线对偶关系3·9空间平面及点面对偶关系3·10空间直线3·11二次曲线与二次曲面思考题参考文献第四章摄像机定标4·1线性模型摄像机定标4·2非线性模型摄像机定标4·3立体视觉摄像机定标4·4机器人手眼定标4·5摄像机自定标技术思考题参考文献第五章立体视觉5·1立体视觉与三维重建5·2极线约束5·3对应基元匹配5·4射影几何意义下的三维重建思考题参考文献第六章运动与不确定性表达6·1欧氏平面上的刚体运动6·2欧氏空间中的刚体运动6·3不确定性的描述6·4不确定性的运算6·5不确定性运算的几个例子6·6三维直线段的不确定性6·7不确定性的显示思考题参考文献第七章基于光流场的运动分析7·1光流场和运动场7·2光流的约束方程7·3微分技术7·4其他方法7·5基于光流场的定性运动解释思考题参考文献第八章长序列运动图像特征跟踪8·1引论8·2参数估计理论初步8·3特征运动模型8·4特征跟踪的阐述8·5匹配8·6实际应用中需要考虑的问题思考题参考文献第九章基于二维特征对应的运动分析9·1极线方程和本质矩阵9·2基于点匹配的运动计算9·3图像是一个空间平面的投影时的运动计算9·4基于直线匹配的运动计算9·5基本矩阵的估计思考题参考文献第十章基于三维特征对应的运动分析10·1由三维点匹配估计运动10·2不需显式匹配的方法10·3从三维直线匹配估计运动10·4从平面匹配估计运动10·5二维-三维的物体定位思考题参考文献第十一章由图像灰度恢复三维物体形状11·1辐射度学与光度学11·2光照模型11·3由多幅图像恢复三维物体形状11·4由单幅图像恢复三维物体形状思考题参考文献第十二章建模与识别12·1CAD系统中的三维模型表达12·2曲线与曲面的表达12·3三维世界的多层次模型12·4由二维图像建模12·5识别的一般原则——问题与策略12·6特征关系图匹配12·7“假设检验”识别方法思考题参考文献第十三章距离图像获取与处理13·1距离传感器13·2数据预处理13·3深度图分割思考题参考文献第十四章计算机视觉系统体系结构讨论与展望14·1计算机视觉系统的基本体系结构14·2视觉系统体系结构讨论14·3主动视觉14·4计算机视觉的应用展望参考文献附录A实验数据及参考结构A·1图像的格式A·2摄像机定标A·3立体视觉A·4基于光流场的运动分析A·5长序列运动图像特征跟踪A·6基于二维特征对应的运动分析A·7基于三维特征对应的运动分析

该资源是最近三年的电子科技大学信息与通信工程学院的考试原题，都是word版本，可以直接打印

1：MUSIC算法MATLAB程序 2：ESPRIT算法MATLAB程序3：Root-MUSIC算法MATLAB程序 4：面阵中二维角度估计Unitary-ESPRIT算法MATLAB程序 5：空间平滑MUSIC算法的MATLAB程序6：角度和时延联合估计（JADE）算法MATLAB程序7：传播算子DOA估计算法MATLAB程序8：基于增广矩阵束的L型阵列的二维DOA估计MATLAB程序

基于最小二乘法编写的MATLAB状态估计程序，附有14节点和30节点算例。

第1章绪论1.1什么叫数理统计学1.2数理统计的若干基本概念1.3统计量习题一第2章抽样分布及若干预备知识2.1引言2.2正态总体样本均值和样本方差的分布*2.3次序统计量的分布2.4X2分布，t分布和F分布2.5统计量的极限分布*2.6指数族2.7充分统计量*2.8完全统计量习题二第3章点估计3.1引言3.2矩估计3.3极大似然估计*3.4一致最小方差无偏估计3.5Cramer-Rao不等式习题三第4章区间估计4.1区间估计的基本概念4.2枢轴变量法——正态总体参数的置信区间4.3枢轴变量法——非正态总体参数的置信区间4.4Fisher的信仰推断法4.5容忍区间与容忍限习题四第5章参数假设检验5.1假设检验的若干基本概念5.2正态总体参数的假设检验5.3假设检验与区间估计*5.4一致最优检验与无偏检验5.5似然比检验

前言第1章概述1.1宽带无线移动通信系统的发展1.2功率放大器线性化技术简介1.2.1国内外研究现状1.2.2本书的创新性工作1.3本书结构安排第2章功率放大器数学模型2.1功率放大器非线性效应分析2.2非线性效应基带等效分析2.3无记忆功率放大器典型模型2.3.1Saleh模型2.3.2Rapp模型2.3.3多项式模型2.4宽带功率放大器记忆效应分析2.5有记忆功率放大器模型2.5.1Volterra模型2.5.2多项式模型2.5.3Wiener模型2.5.4Hammerstein模型2.5.5并行Hammerstein模型2.5.6神经网络模型2.6本章小结第3章功率放大器非线性对传输信号的影响3.1非线性的时域及频域分析3.1.1谐波失真3.1.2互调失真3.1.3交调失真3.1.4AM/AM和AM/PM畸变3.2功率放大器非线性对多载波信号功率谱的影响3.2.1无记忆模型功率谱的解析表达3.2.2有记忆模型功率谱的解析表达3.2.3仿真及分析3.3功率放大器非线性对多载波信号符号率的影响3.3.1误符号率的解析表达3.3.2仿真及分析3.4功率放大器非线性评价指标3.4.1分贝压缩点功率3.4.2三阶互调系数3.4.3三阶截断点3.4.4交调系数3.4.5输入及输出回退3.4.6系统性能总损耗3.5本章小结第4章宽带功率放大器预失真技术简介4.1数字预失真技术综述4.2预失真技术基本原理4.3非自适应性预失真技术4.3.1方案概述4.3.2特性曲线的测量4.4射频自适应预失真技术4.5中频自适应预失真技术4.6基带自适应数字预失真技术4.7本章小结第5章宽带功率放大器预失真估计结构5.1直接学习结构5.2间接学习结构5.2.1基于IDLA的新算法5.2.2仿真及分析5.3本章小结第6章基于查询表的数字预失真6.1查询表预失真方法综述6.1.1查询表形式6.1.2查询表的指针方式6.1.3查询表地址索引方式6.1.4查询表自适应算法6.1.5查询表预失真方法的不足6.2无记忆查询表预失真方法6.2.1常规查询表预失真算法6.2.2改进的查询表预失真方法6.3有记忆查询表预失真方法6.3.1一维查询表预失真方法6.3.2二维查询表预失真方法6.4本章小结第7章基于多项式的数字预失真7.1多项式预失真方法综述7.1.1多项式模型7.1.2多项式自适应算法7.1.3多项式预失真方法的不足7.2多项式形式的选择7.2.1预失真多项式形式7.2.2正交多项式模型7.3无记忆多项式预失真方法7.3.1分段无记忆多项式预失真方法7.3.2直接学习结构递推系数估计方法7.3.3间接学习结构系数估计方法7.3.4正交多项式预失真方法7.3.5动态系数多项式预失真方法7.4有记忆多项式预失真方法7.4.1分段有记忆多项式预失真方法7.4.2归一化最小均方系数估计方法7.4.3广义归一化梯度下降系数估计方法7.4.4广义记忆多项式预失真方法7.4.5分数阶记忆多项式预失真方法7.4.6Hammerstein预失真方法7.5本章小结第8章宽带功率放大器预失真方案设计8.1数字预失真系统设计8.2反馈环路延迟估计8.2.1常规环路延迟估计方法8.2.2提出的环路延迟估计方法8.2.3仿真分析8.3PAPR降低技术与预失真8.3.1问题引出8.3.2PAPR降低技术8.3.3限幅对OFDM信号预失真性能的影响8.3.4PAPR降低技术与PA线性化的内在联系8.4宽带功率放大器的有效阶估计8.5关于硬件实现8.5.1非自适应预失真硬件实现8.5.2自适应数字预失真硬件实现8.6宽带功率放大器预失真新理论与技术8.6.1功率放大器预失真新理论8.6.2功率放大器预失真新技术8.7本章小结参考文献附录A符号表附录B缩略语

信号检测与估计课后习题答案及课本学习指导，内容讲解详细

使用迫零检测算法(ZF)，最小均方误差检测算法，排序的MMSE检测算法，相应的MMSE软检测算法.

该arm-linux版qt为本人按照友善之臂给出的方法编译而成，最最最保守估计，适合Ubuntu10.04下开发，友善tiny/mini6410使用。
自带触摸屏驱动编译项，最保守，在tiny6410上是可以使用触摸屏的。
如果下载后不能使用（几乎不可能），可再下载本人上传的arm-linux-gcc，本人将我自己使用的arm-linux-gcc也一并上传了

含有一个word实验文档以及一个MATLAB的代码，实现kalman估计，实验简单易懂，便于理解。

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。