推导出使用格雷编码映射的 16PSK 调制的误码率。 使用 Matlab/Octave 脚本的仿真结果与理论吻合良好。 理论部分的讨论请参考帖子： http://www.dsplog.com/2008/05/18/bit-error-rate-for-16psk-modulation-using-gray-mapping/

GeoMoose3 这是新的 GeoMoose3 库/应用程序的主要存储库。 要了解有关 GeoMoose 的更多信息， 文档 GeoMoose 3 文档位于此存储库的./docs目录中，也可在在线获取 快速入门 建造 npm install npm run build 运行测试 npm test 除非安装了画布，否则测试将跳过地图。 要执行更完整的测试，请确保安装了 node-canvas 1.x npm install canvas@~1.0.0 执照 GeoMoose3 使用 MIT 风格的许可证。 你可以在阅读它的内容 操作系统地理 GeoMoose 是一个 OSGeo 项目。 要了解有关 OSGeo 及其含义的更多信息，请单击下面的徽标。

p133

2015年6月实习期间进行的项目

是一本讲述色调映射以及图像优化的书籍，我从国外网站上下载的，很难找的一本书。对学习ISP及图像处理很有帮助。

SIM8202G_M2_Antenna Port Mapping and Design Guide_V1.00

平滑和映射 该脚本使用 pylab 来模拟带有传感器在环境中移动的机器人，同时进行定位和映射。 您可以定义自己的运动模型和传感器模型，并记录机器人在模拟 2D 环境中的移动。 目前，代码一团糟，因为我有一个项目截止日期。 有关详细信息，请参阅“注意事项”。 我已经为这个项目用 python 编写了我自己的非线性图优化器。 但是，我没有使用 colamd 和 QR，而是实现了效率低下且没有利用问题的稀疏性的 pinv。 改进空间： 创建其他传感器模型 (GPS) 创建其他运动模型（机架） 用于创建机器人的辅助函数 对多个机器人进行概括（合并图） 用于图形优化的 colamd 和 QR 在机器人类中实现图优化（而不是模拟器） 写上去 平滑和映射 (SAM) 采用概率图形模型方法来解决同时定位和映射 (SLAM) 问题。 该项目的目标是以可通用的方式实现 SAM，以便使用任意运

TMS Business Core Library Aurelius is an Object-Relational Mapping (ORM) .zip

本文基于Mapping Architect for Visio ，在Informatica上实现工作流的批量设计，实现历史数据初始化抽取，当然也可以做复杂的工作流批量设计，本文仅仅介绍源表和目标表表结构不同的批量开发。 软件版本：visio2010，Informatica9.5.1

Machine-Learning-Geological-Mapping-Soil-Geochemistry:机器学习项目，可使用土壤样本地球化学来预测潜在的地质情况。 测试地形数据，采样方法，机器学习算法和多个分类器系统的优势