针对常规输出反馈特征结构配置方法不能完全保证闭环系统稳定性的问题, 提出一种改进的输出反馈特征结构配置方法. 该改进的算法通过引入二次型性能指标, 将闭环系统的稳定性问题转化为线性二次型最优控制问题,从而保证闭环系统的稳定性; 考虑到采用特征结构配置方法所设计的闭环系统鲁棒性不强, 给出保证系统鲁棒性的条件, 以解决系统鲁棒性问题. 最后, 通过在飞翼飞机上的仿真结果验证了所提出算法的有效性.

为了避免以往峰值甄别器在输入信号脉宽、峰值均随机的情况下因ADC转换速度造成后端处理器的错记、漏记现象，利用微分过零比较器设计了一种应用于核脉冲峰值探测器的CMOS峰值甄别电路，完成了峰值时刻触发ADC进行峰值模数转换和峰谷时刻进行复位触发的功能．通过Hspice软件进行仿真，证明了采用该峰值甄别电路可以使峰值探测系统完成对输入信号峰值信息的准确检测，同时消除了对转换速度较快ADC的限制，减小了整个系统的死时间．

基于改进GRU(添加注意力机制)循环神经网络空中目标意图识别_kereas源码+数据+程序说明.zip 程序设计语言为Python 3.7.6；集成开发环境为Anaconda。循环神经网络模型由Python的keras 2.3.0库实现。 数据集为：SCENARIO_DATA_UTF8.zip getData()函数负责读取xml文件，并处理成数据序列及对应的标签序列。参数data_length决定了所读取序列的长度。 getDocumentList()函数用于辅助getData()函数进行数据读取。 modelAttentionAfterGRU()用于实现在GRU层之后添加Attention层的模型。 modelAttentionBiLSTM()用于实现在双向GRU层之后添加Attention层的模型。 全局变量INPUT_DIM表示输入特征的维度；TIME_STEPS = 500 表示输入到神经网络层序列的长度。 主函数中给出了一个示例：读取数据，划分训练集和测试集，多次训练神经网络模型进行交叉验证，计算加权错误率Weighted Error Rate和训练模型所用时间， 最后将

中值滤波窗口大小影响滤波器性能，3×3滤波窗口可以很好地保持图像细节。提出一种新的自适应中值滤波方法。将3×3窗口中心的极值点作为候选噪声点，若候选噪声点仍然是7×7窗口的极值点，则该点即是噪声点。若以噪声点为中心的3×3滤波窗口的中值不是噪声，则噪声用中值替换。重复以上过程，直到没有噪声点被替换。如果图像申仍然存在大的噪声团块，则噪声用相邻的三个信号点的灰度均值替换。实验结果表明，该方法能够有效去除脉冲噪声，并在抑制噪声的同时很好地保护图像的细节。

Stanza：斯坦福NLP自然语言处理Python工具包，NER有很大改进(支持中文) Stanza：适用于多种人类语言的 Python NLP 库 斯坦福 NLP 集团的官方 Python NLP 库。 它支持在 60 多种语言上运行各种准确的自然语言处理工具，并支持从 Python 访问 Java Stanford CoreNLP 软件。 有关详细信息，请访问我们的官方网站。 参考资料 如果您在研究中使用此库，请引用我们的 Stanza 系统描述论文：@inproceedings{qi2020stanza, title={Stanza: A {Python} Natural Language Processing Toolkit for Many Human Languages}，作者={Qi, Peng and Zhang, Yuhao and Zhang, Yuhui and Bolton, Jason and Manning, Christopher D.}, booktitle = "Proceedings of the Association for Computa

摘 要:针对经典全变差正则化模型在去噪时图像边缘易模糊的不足， 在全变差正则化模型与调和去噪模型的基础上构建了一种改进的自适应全变差正则化模型， 并利用旋转不变性更好的梯度模值确定其自适应参数， 降低该自适应正则化模型对噪声的敏感性，以兼顾图像的平滑去噪与边缘保留 数值实验结果表明， 与MARQUINA 的改进全变差正则化模型相比， 自适应全变差正则化模型的复原图像在视觉效果和峰值信噪比上都有显著提高

“七人分粥”故事：有七个人住在一起，每天要分一大桶粥，要命的是，粥每天都是不够的·····

用敏捷方法实施基于CMM的软件过程改进 用敏捷方法实施基于CMM的软件过程改进.pdf

基于记忆多项式模型数字预失真算法的改进，刘洋，，本文针对功率放大器工作于非线性区并且对于宽带信号具有记忆效应的特点，介绍了一种基于Hammerstein模型的数字预失真算法，并用归一�

1、结合DBN和ELM的改进DBN-ELM模型 2、文件matlab：包含改进算法的matlab实现 3、mnist: 包含ELM、DBN、DBN-ELM算法在mnist数据集上的表现 4、Skin_NonSkin: 包含ELM、DBN、DBN-ELM算法在Skin_NonSkin数据集上的表现 5、文件python：包含改进算法的python实现 运行环境MATLAB2018b及以上