Chase 算法是Turbo 乘积码(TPC)软判决译码中常采用的算法之一。分析了传统Chase 算法中寻找竞争码字对译码复杂度的影响,在此基础上提出了两种新的简化译码算法,省去了寻找竞争码字的过程。仿真结果表明,简化算法在基本保持传统Chase 算法译码性能的基础上,降低了译码复杂度,提高了译码速度。
1
用C语言实现SDES加密算法 数字:
2021-12-14 15:43:55 9KB sdes C语言
1
LocNet为更快的R-CNN提高了定位精度 1.简介 这个项目是一个简化的更快的基于RCNN改善由LocNet(LOC-更快RCNN的简称)实现 。 它的目标是: 通过在Fast R-CNN部分中使用LocNet,提高Faster R-CNN的定位精度。 的首次公开实施。 该论文的作者未发布其版本。 与原始论文中报告的性能相匹配。 它具有以下功能: 它可以作为纯Python代码运行,不再需要构建事务。 (CUDA代码移到cupy,Cython加速是可选的) 此实现与原始论文略有不同: 此处不使用跳过池。 来自conv5_3层的信息(原始Faster R-CNN的功能图)足以满足我的任务,因此在此存储库中删除了跳过池。 而且,随着诸如类的新方法的出现,跳过合并似乎已经过时了:) RPN网络与Faster R-CNN完全相同,这意味着仅应用了3X3转换,而不是原始论文中的3
2021-12-14 11:03:19 48KB pytorch faster-rcnn locnet Python
1
简单 快速 安装卸载mysql 里面有具体的方法步骤 cmd 命令窗口操作
2021-12-12 21:38:33 8.19MB jdbc mysql
1
pyTEP:一个Python包,用于田纳西伊士曼过程的交互式仿真 重新编译TEP二进制文件 安装Python 3.7 什么是pyTEP? pyTEP是用于Python中的Tennessee Eastman流程的开源仿真API。 它简化了复杂模拟场景的设置,并提供了交互式模拟的选项。 通过pyTEP的高级API,用户可以设置仿真,更改操作条件并存储仿真数据,而无需了解模拟器的基本原理。 除了新引入的功能外,pyTEP还承诺比现有的TEP模拟器更具通用性和更直接的用法。 如何引用 Reinartz, C. and Enevoldsen, T.T. "pyTEP: A Python package for interactive simulations of the Tennessee Eastman process", 2021 安装指引 为了安装和运行pyTEP,必须安装适用于py
2021-12-12 10:36:10 754KB Python
1
python-geo-dem 一个 Python 库,可简化获取一组经纬度点高度数据的过程 下载地理数据 在开始使用地理库之前,您必须下载所需的海拔数据文件。 该库能够处理通过 GLOBE 获得的 DEM 高度文件,GLOBE 是一个由 NOAA 运行的研究项目。 要下载全局数据集,只需运行命令 python download_data.py 请注意,完整的 GLOBE 数据将占用大约 1.8GB 确定海拔高度 假设已经通过download_data.py命令将全套数据下载到默认目录,使用起来非常简单。 要获取给定经度/纬度点的高度(以米为单位): from geodem.utils import altitude_at_geographic_coordinates altitude = altitude_at_geographic_coordinates(lon=-122, 5
2021-12-08 22:45:34 6KB Python
1
三、简化多边形 点击简化命令,能减少三角形的数量。进入该命令对话框后, 可以选择三角形计数单选框,在减少百分比对话框里输入30.0 然后点击应用。这将减少模型三角形数量的70%,同时仍保留 小特征和细节极好的精确度。简化是一个非常有用的工具,在 保持整个零件精确度的基础上来减小文件。如果减化的效果过 多而失真的话可以点击重置按扭。 另外,还可以利用公差选项来执行简化,选择公差后,标明公差 范围,和三角面处数量的低限,软件会计算出一个比较适合的面 片数量。同样还是要观察物体衰减后的的表面质量,如果表面细 节损失很多的话,就适当的把公差值调小,把三角面片低限调大些
2021-12-07 20:35:27 8.12MB Geomagic studio
1
myfind:该项目是Linux命令“ find”的简化版本。
2021-12-07 12:09:06 16KB C
1
TIA博途中如何设计报警功能块FB,来简化编写离散量报警程序的时间?
一类神经网络 用于非线性异常检测的一类神经网络的简化Keras实现。 该实现基于此处描述的方法: : 。 我包括了ODDS( )的几个数据集。 设置 pipenv install . 应该配置一个python环境并在该环境中安装所有必需的依赖项。 跑步 在新的python环境中(通过CLI或IDE)运行python driver.py应该开始进行50个纪元的培训,并生成一些输出图。 测验 在test/test_basic.py中定义了两个单元测试:构建模型,以及基于本文示例的分位数损失测试: 执行pytest test以运行。 结果 HTTP数据集 失利 特征 局限性 使演示脚本更加灵活 添加更多的单元测试
2021-12-06 20:56:13 3.48MB Python
1