10-Gigabit无源光网络（XG-PON）是光接入网的最新标准之一，被视为未来互联网接入网的关键技术之一。 该项目为 NS-3 网络模拟器开发了一个 XG-PON 模块。 该模块的设计和实现旨在提供一个符合标准、可配置和可扩展的模块，可以以合理的速度模拟 XG-PON，并可以支持广泛的研究课题。 这项工作得到了爱尔兰科学基金会通过 CTVR 的部分支持。 如果在您的工作中使用了以下论文，请引用。 Arokkiam、Jerome A、Pedro Alvarez、Xichao Wu、Kenneth N Brown、Cormac J Sreenan、Marco Ruffini、Nicola Marchetti、Linda Doyle 和 David Payne。 “用于 Ns-3 网络模拟器的 XG-PON 模块的设计、实施和评估。” 模拟 93，没有。 5（2017 年 5 月）：409-26。 doi:10.1177/0037549716682093

欧姆龙OMRON触摸屏 NB NJ NS NV人机界面视频教学 视频教程 资料大小3.2G 下载后是用百度网盘下载的

最近在使用Tensorflow 实现DNN网络时，遇到一些问题。目前网上关于Tensorflow的资料还比较少，现把问题和解决方法写出来，仅供参考。 （1）将两个子模型的输出合并到一个通道，例如同时连接到一个全连接层如图 合并方法为 tf.concat()函数。此函数需要两个个参数 concat（0或1，[合并节点1，合并节点2] ）。0 或 1 代表节点合并的方式：0 代表合并后列相同，行增加；1 代表合并后行相同，列增加。 上图所示合并方法为： X_20 = tf.concat(1, [X_top, X_down]); （2）加载预训练好模型的部分参数。例如训练完成了一个五层网络，现在需

使用OpenRAM和SKY130 PDK设计1024x32 SRAM（32Kbits） 该存储库旨在使用Google SkyWater SKY130 PDK和OpenRAM存储器编译器设计具有1.8 V工作电压且访问时间小于2.5ns的1024x32 SRAM单元阵列（32Kbits或4KB）。 目录 SRAM单元设计简介 如今，静态随机存取存储器（SRAM）已成为任何专用集成电路（ASIC），片上系统（SoC）或其他微体系结构的标准元素。 对于各种各样的应用，可以使用诸如字长，位线，工作电压，访问时间，最重要的是技术节点等参数来配置SRAM。 SRAM单元的访问时间是SRAM读或写操作所需的时间。 为每个参数更改手动配置SRAM似乎是效率低下且乏味的任务。 由于这个原因，内存编译器由于易于配置和优化内存而被大量使用。 OpenRAM是一种开源存储器编译器，用于表征和生成SRAM设计。

Android4.1提供了开源项目WebRTC中噪音抑制，回声消除、静音 检测、自动增益控制模块的实现。但是Android手机中有很多不支 持这些功能，所以最好还是使用WebRTC中的C/C++代码进行编译。 本例简单测试了下噪音抑制和回声消除功能，效果还不错。

OMRON NS触摸屏程序网线下载方法

超级马里奥-奥德赛的amiibo的bin数据，可以用NFC写入NTAG215的卡片，推荐使用安卓机的用户下载使用

本文实例讲述了Python实现的KMeans聚类算法。分享给大家供大家参考，具体如下： 菜鸟一枚，编程初学者，最近想使用Python3实现几个简单的机器学习分析方法，记录一下自己的学习过程。 关于KMeans算法本身就不做介绍了，下面记录一下自己遇到的问题。 一 、关于初始聚类中心的选取 初始聚类中心的选择一般有： （1）随机选取 （2）随机选取样本中一个点作为中心点，在通过这个点选取距离其较大的点作为第二个中心点，以此类推。 （3）使用层次聚类等算法更新出初始聚类中心 我一开始是使用numpy随机产生k个聚类中心 Center = np.random.randn(k,n) 但是发现聚类的

卫星通信技术一项重要研究内容是如何在TCP连接下最大限度地利用链路带宽。国内外研究人员对 TCP性能改善做了很多研究工作，然而关于如何进行TCP仿真以及如何搭建仿真平台方法研究不多，旨在提供一种通用灵活的卫星链路TCP仿真方法，NS-3是款全新的优秀的网络仿真软件，通过在NS-3仿真软件上搭建卫星链路仿真场景，进行卫星链路的TCP拥塞控制算法仿真；通过将NS-3与linux内核模块结合，仿真分析了linux内核中的11种TCP拥塞控制算法。以此提供了一种基于NS-3搭建TCP连接的仿真方法，可根据此方法仿真卫星链路的TCP连接，同样也可进行其他场景的TCP连接仿真分析。仿真结果证明了提供方法的正确性和有效性。

一.数据集准备 数据集共1400张机场或湖泊的图片，因此此分类为简单的二分类问题，通过CNN对数据集进行模型训练，得出相关指标。 数据集如下： 机场 湖泊 二.读取数据集 数据集路径 导入相关模块 import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import pathlib #使用pathlib对路径对象进行管理 import random 构造路径对象，获取所有图片路径,并打乱数据集 pic_dir = 'D:/tensorflowDataSet/2_class' pic_ro