毫米波MIMO信道建模的代码，matlab，通常毫米波频段是指30GHz～300GHz，相应波长为1mm～10mm。毫米波通信就是指以毫米波作为传输信息的载体而进行的通信。目前绝大多数的应用研究集中在几个“大气窗口”频率和三个“衰减峰”频率上。

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

Channel estimation for orthogonal time frequency space (OTFS) massive MIMO

此函数使用 DLT、RANSAC 和 Lev-Mar 优化估计两个图像之间的 2D-2D 投影单应性。 函数调用格式如下： [h wim] = homography(im1, im2); 在哪里 im1 -> 第一张图片im2 -> 第二张图片h -> 返回的单应矩阵wim -> im1 wrt im2 的变形版本

物联网（IoT）技术已广泛应用于智能电网中，以监控物理或环境状况。 特别是，状态估计是智能电网中基于IoT的重要应用程序，通过对电表测量和电力系统拓扑的分析，状态估计可用于系统监控以获得最佳的电网状态估计。 但是，错误数据注入攻击（FDIA）对状态估计造成严重威胁，这是检测困难的原因。 在本文中，我们提出了一种针对FDIA的有效检测方案。 首先，研究了反映智能电网物理特性的两个参数。 一个参数是从控制器到静态无功补偿器（CSSVC）的控制信号。 较大CSSVC表示存在强烈的电压波动。 另一个参数是定量节点电压稳定性指数（NVSI）。 较大的NVSI表示较高的漏洞级别。 其次，根据CSSVC和NVSI的值，提出了一种优化的聚类算法，将潜在的易受攻击节点分为几类。 最后，基于这些类别，提出了一种用于FDIA实时检测的检测方法。 仿真结果表明，该方案可以有效地检测出FDIA。

中值过滤代码matlab 光场深度估计 该工具包含一些光场深度估计方法。 如何使用 运行main.m （此软件已在带有Windows 10 64位环境的Matlab 2016a上进行了测试） 参数data_type选择数据集。 data_type = 1新的基准数据集 Honauer, Katrin, Ole Johannsen, Daniel Kondermann and Bastian Goldluecke. A Dataset and Evaluation Methodology for Depth Estimation on 4D Light Fields[C]// Asian Conference on Computer Vision. Springer, Cham, 2016: 19-34. data_type = 2旧基准数据集 Wanner, Sven, Stephan Meister and Bastian Goldluecke. Datasets and Benchmarks for Dens-ely Sampled 4D Light Fields [C] // P

最新领域的communication文档

蒙特卡罗matlab仿真代码Maximum_Likelihood_Estimation_of_the_GJR-GARCH_Model_Using_Matlab 使用 Matlab 估计 GJR-GARCH 模型的最大似然 我们报告了用于 GJR-GARCH (Glosten-Jagannathan-Runkle GARCH) 模型最大似然估计的 Matlab 代码； 此外，我们报告了蒙特卡罗模拟，该模拟表明最大似然估计量收敛到真实参数。 我们将 t5-student 创新用于 GJR-GARCH 过程。 其他细节：所有Matlab代码文件必须包含在同一个文件夹中，并且该文件夹必须添加到Matlab路径中。 包含 Monte Carlo 模拟的主要 Matlab 文件名为“MainFile.m”。 此存储库中包含的所有其他 Matlab 文件 - 即“MLE_t5_tgarch.m”和“mycon_threshold_garch.m” - 是用于估计 GJR-GARCH 模型参数的辅助文件。

matlab灰色处理代码基于相位的视频震颤频率检测方法 实验设置如下： 经验1.1）欧拉频率估计：姿态估计+跟踪器+相位指针+相位指针上的FFT。 Exp 1.2）欧拉频率估计：姿势估计+跟踪器+灰色+ FFT超过灰色。 将exp1.1与1.2进行比较以显示相位的影响。 Exp 2.1）拉格朗日频率估计：所有帧的姿态估计+关节（x，y）上的FFT（无平滑度）。 Exp 2.2）拉格朗日频率估计：所有帧的姿态估计+跟踪器+关节（x，y）上的FFT（加上跟踪器）。 比较exp1.1与2.1以显示使用欧拉坐标的重要性。 所需包装： -对于图像处理，请从中进行编译，否则您将错过一些视频处理功能。 -对于姿势估计部分，如果您想重新训练CPM网络，请从中安装自定义版本。 -使用复杂的可控金字塔生成相位图像，请使用以下命令进行安装：sudo pip install perceptual。 -为了使用卡尔曼滤波器平滑关节轨迹，请安装：sudo pip install filterpy。 安装 运行代码以获取模型文件。 $ src/get_model.sh 如果上述方法失败，请与我联系以获取Google

一本很不错的信号检测与估计的书。当初打来，是因为其中关于时间估计的克拉美-罗界的说明，讲得很好。