在多输入多输出-正交频分复用(MIMO-OFDM)系统中,通过联合估计信道矩阵和干扰协方差矩阵(ICM)的方法来抑制同信道干扰.首先,利用最小二乘法和残差估计方法获取信道矩阵和ICM的初始估计值;然后,基于Cholesky分解方法对ICM的估计值进行改善,并利用改善后的ICM估计值对信道矩阵估计值进行更新.该方法充分利用了时域和频域中的所有可用信息,提高了信道估计精度,较好地抑制了同信道干扰.仿真结果表明:与其他可实现的非迭代方法相比,该方法所得的信道频率响应估计均方误差性能增益高于2 d B;信干噪比(SINR)越大,比特误码率性能的改善程度越好,并且随着天线数的增多,性能增益也增大.

完全抗混叠的离散小波分解算法及其在故障特征提取中的应用，王林，汤宝平，针对改进后的单子带重构算法仍然存在频率混叠的问题，提出了一种插入纠正滤波器的完全抗混叠小波单子带重构算法。因为小波重构滤

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

1.摘要本次阅读的论文为 Deep Autoencoder-like Nonnegative Matrix Factorization forCommunity

matlab提取文件要素代码传递熵部分信息分解 针对单个试验的时间序列输入矩阵或包含与多个试验对应的多个矩阵的输入像元，计算传递熵的部分信息分解（PID）。 冗余部分信息项由Timme等人（2016年）描述的最小信息函数给出。 目录 依存关系 MATLAB R2019a：此处找到的所有函数均为.m文件。 调用了各种MATLAB内置函数。 用法 我们用时间序列/峰值训练来识别神经元。 要计算所有可能的神经元三元组的传递熵PID，请使用3个必填参数调用TE_PID.m ：输出文件名，矩阵或单元格以及正整数时延。 对于包含用于多个试验的多个矩阵的输入像元，输入像元必须为一维。 每个矩阵或单元格列应包含单个神经元的整个时间序列，即，列应代表神经元，而行则代表递增时间的观察值。 （可选）提供要为其计算PID的神经元三重态索引的列表。 否则，将为所有可能的三元组计算PID。 （可选）提供正整数时间分辨率，以便对输入数据进行分时。 输出被写入一个单独的文件。 7列按升序表示： target_index ， source1_index ， source2_index ， synergy ，冗余， un

蔡氏电路matlab仿真代码对抗性个性化推荐排名 APR通过执行对抗训练来增强成对排名方法BPR。 为了说明其工作原理，此处通过在用户和项的嵌入向量上添加对抗性扰动来实现MF上的APR。 这是我们对该文件的正式实现： 何湘南，何占魁，杜小雨和蔡达生。 2018.推荐的对抗性个性化排名，在SIGIR'18的会议记录中。 （通讯作者：） 如果您使用这些代码，请引用我们的论文。 谢谢！ 环境 Python 2.7 TensorFlow> = r1.0 脾气暴躁> = 1.12 PS。 供您参考，我们的服务器环境为2.20 GHz和64 GiB内存的Intel Xeon CPU E5-2630。 我们建议您的可用内存大于16 GiB，以重现我们的实验。 快速开始 演示：APR的效果 该命令通过在第40个数据集yelp （--adv_epoch）中为预训练的MF模型（--restore）添加对抗性扰动来显示APR的效果。 加载预训练模型后，前40个时期为正常MF-BPR，然后进行对抗训练APR。 python AMF.py --dataset yelp --adv_epoch 40 --epoc

行业文档-设计装置-水离子化分解方法和系统

平等因子分解的基础理论

随机单位承诺 公式和双重优化算法主要借鉴了Anthony Papavasiliou的工作： 将可再生能源与需求延缓耦合 作者：帕帕瓦西里乌（Papavasiliou），安东尼（Anthony）博士，加利福尼亚大学伯克利分校，2011，99； 3499039 解决原始问题 $Pythonmain.py 解决线性松弛 $ python main.py --relax 解决线性松弛+舍入算法 $ python main.py --relax --round 拉格朗日分解和次梯度优化 $ python main.py -分解 $ python main.py -分解--nar 6 --epsilon 0.01 -

1.视频分解图片 我们使用cv2.VideoCapture来读取视频 import cv2 cap = cv2.VideoCapture('1.mp4') isOpened = cap.isOpened # 判断视频是否可读 print(isOpened) fps = cap.get(cv2.CAP_PROP_FPS) # 获取图像的帧，即该视频每秒有多少张图片 width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) # 获取图像的宽度和高度 height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) print