密集连接的时延神经网络 在我们的论文 的密集 （INTERSPEECH 2020）中，密集连接的时延神经网络（D-TDNN）的PyTorch实施。 什么是新的 :warning: [2021-02-14]我们在添加了一个impl选项，现在您可以选择： 'conv'：通过F.conv1d实现TDNN。 'linear'：通过F.unfold和F.linear实现TDNN。 检查此以获取更多信息。 请注意，尚未完成“ conv”的预训练模型。 [2021-02-04]此存储库中的TDNN（默认实现）比nn.Conv1d慢，但我们采用它是因为： 此仓库中的TDNN还用于创建nn.Conv1d（非对称填充）不完全支持的F-TDNN模型。 nn.Conv1d（dilation> 1，bias = True）训练缓慢。 但是，这里我们不使用F-TDNN，我们总是在D-TDNN中设置bias = F

研究了万兆交换网络中交换原理，对万兆交换机中性能的关键因数和瓶颈存在于缓存区中的拥塞控制和排队调度机制，基于早期的网络应用传统的拥塞控制及避免，排队调度方法能很好的处理网络时延和丢包问题。然而对于万兆网络无法达到很好的性能要求，因此有必要寻求新的拥塞控制及避免和排队调度算法。本文在32口万兆交换网络中应用了端到端快速重传快速恢复（E2E-CC）拥塞控制机制，加权的早期随机检测（WRED）拥塞避免机制，多优先级加权差额循环调度（WDRR）机制，最后交换机正常工作时实现了交换大包数据（1 518 bytes）时延小于3 μs，小包数据（64 bytes）时延小于2 μs，丢包率在10亿分之一以下的性能，并且提供端口流镜像、流统计、VLAN（虚拟网络）划分、万兆链路聚合，抑制广播风暴等服务质量（QoS）功能。

泛函分析及其在自动控制中的应用，韩崇昭，1991

讲泛函极值的变分法的基础入门课

北京大学的经典教材。pdf格式

此资源需要先下载，wall_deltay文档，wall_deltay为快速时延估计算法，穿墙雷达点目标成像中加入快速时延估计，让穿墙雷达中BP成像运算速度更加。

学数学的人都清楚的，非常好的一本教材。 要编好程序，先把数学学号。

本书为泛函分析的经典教材,一直被世界各国的大学作为教材来使用.

Yosida Functional analysis---Walter.Rudin.-.Functional.analysis------------------------------

本程序首先产生了一个信号，然后对其进行延时，之后计算他们之间的互相关函数，找出其中的最大点，它的下标减去信号长度，即为时延。