针对核辐射能谱、正电子湮没符合多普勒展宽谱测量的需求，设计了一种基于FPGA的全数字双通道符合多普勒展宽系统。该系统以16 bit模数转换芯片AD9269-80为前端，将高纯锗探测器采集到的模拟信号转化为数字信号，该数字信号进入系统后端的FPGA芯片中进行数字处理。FPGA通过滑动平均窗口、乒乓操作、自定义IP核等实现对核脉冲信号的处理，包括波形降噪、梯形滤波、基线恢复、堆积识别、阈值判断、数据缓存等，从而得到核脉冲的幅度信息和时间信息。再由网口模块与上位机之间进行通信，采用UDP协议进行幅度、时间信息的传输，得到核信号的能谱。系统采用双通道对正电子符合多普勒展宽谱测量，得到二维符合图谱。

采用积分方法分析了线电荷串,沿周期性理想金属光栅表面平行移动时产生的史密斯帕塞尔辐射。分别对短周期光栅、低能量线电荷串与长周期光栅、高能量线电荷串的辐射情况进行了数值计算。相对单个线电荷而言,N个线电荷与反射光栅作用产生的辐射场密度,在频率是线电荷串调制频率的整数倍处出现最大,辐射谱宽变窄；随电荷能量增高,辐射能量向高频方向移动,并具有强烈的定向性；可以通过调节线电荷调制频率等参量实现辐射电磁波频率锁定。研究结果表明,对高能量与低能量的电荷参量,适当选择光栅尺寸与线电荷串间隔周期,都可使辐射波工作于太赫兹波段。

CISPR25 2021版

绘制线性阵列的辐射方向图。 数组的元素是全方位的 阵列电流分布可以是均匀的、三角形的或二项式的 Ypu可以改变阵列中元素的数量，电分离，结束相位差 辐射图可以在 2D、3D 线性标度或 3D 对数标度中可视化

matlab复变函数指数函数代码两种几何的辐射视角因子的蒙特卡洛模拟 在两个物体之间，离开一个物体并撞击另一个物体的辐射比例称为。 有多种技术可以计算对象相对于另一个对象的视图因子。 一些参考文献包含针对某些几何形状的分析方法，而另一些参考文献则探讨了对更复杂的几何形状使用数值方法的情况。 在此代码中，用来模拟排放并计算视图因子。 更具体地说，此代码针对两个同轴平行磁盘的3D几何体运行了蒙特卡洛模拟，然后绘制结果并将其与参考中提供的实际（解析）值进行比较，并观察每个误差和半径的关系磁盘。 运行测试 为了运行脚本，MATLAB是必需的，并且可以与所有版本的MATLAB一起使用。 2D几何：等边三角形 这是运行蒙特卡洛模拟的最简单的几何。 它没有3D几何的复杂性，因此适合学习传热方面的蒙特卡洛基础知识。 在主目录上运行脚本以执行此操作： Triangle_MonteCarlo 这个怎么运作 从上图中可以看出，连续辐射从表面1发出并撞击到其他两个表面。 辐射的发射位置和角度由随机数确定。 然后，辐射击中另一个表面。 绝对吸收率为1/2时，辐射会从表面吸收或反射。 如果吸收了辐射，则保存结果，

envi二次开发用idl编程实现landsat8辐射定标

为解决信号分量能量不同且时频交叠严重时多分量辐射源信号的检测问题,提出了一种基于乘积高阶模糊函数(PHAF)的检测方法。该方法采用“剥洋葱”的策略,按照能量强弱逐次检测各信号分量。检测时,先检测和剥除能量较强的信号分量,以避免弱信号分量受其它信号分量和交叉项的干扰。将不同时延的高阶模糊函数相乘,以强化信号分量、弱化噪声,有效检测低信噪比信号。分析和实验结果表明:提出的方法能有效检测时频交叠严重的多分量辐射源信号,对强、弱能量信号分量的相对检测误差分别小于2.457×10-4和7.560×10-2; 检测含

令人敬畏的神经辐射场 受启发的一系列令人敬畏的神经辐射领域论文的精选清单。 目录 民意调查 ，Dellaert和Yen-Chen，Arxiv 2020 | | 文件 ，Mildenhall等人，ECCV 2020 | | ，Zhang等人，Arxiv 2020 | | ，Rebain等。 2020年Arxiv | ，Boss等人，Arxiv 2020 | | ，Wang等人，Arxiv 2021 | | ，Lombardi等人，Arxiv 2021 | 更快的推理 ，Liu等人，NeurIPS 2020 | | ，Lindell等，Arxiv 2020 | ，Neff等人，Arxiv 2021 | 不受约束的图像 ，Martin-Brualla等，Arxiv 2020 | 可变形 ，Park等人，2020年Arxiv | | ，Pumarola等人，A

7分别使用仿真信号和实际船舶辐射噪声信号进行解调处理获得解调谱，以比较上述三种方法的解调效果。

非刚性神经辐射场 这是项目“非刚性神经辐射场：从单眼视频到动态场景的重构和新颖视图合成”（NR-NeRF）的官方资料库。 我们将NeRF（一种用于静态场景的逼真外观和几何重构的最新技术）扩展到动态/变形/非刚性场景。 有关详细信息，请参阅和，其中还包括补充视频。 入门 我们修改了损失，并在2021年2月的更新中添加了多视图支持，一些简单的场景编辑功能，评估代码和简单的基准。 有关此代码的原始版本，请参阅此存储库的december2020分支。 安装 克隆此存储库。 （可选）安装 。 设置nrnerf环境nrnerf （或使用pip安装要求）： conda env create -f environment.yml （可选）对于数据加载和相机参数估计，我们包含了一个虚拟实现，该实现仅适用于所包含的示例序列。 如果您不想编写本自述文件结尾处指定的自己的实现，则可以改用以下程序和文件：