关于体绘制方面的知识，也是看到别人推荐，自己下载还没看，先免费分享给大家，省得大家到处找

基于深度学习的毫米波系统的信道估计和混合预编码 将“ matlab”和“ python”文件夹放在根目录中 “ matlab”文件夹包含传统的HBF算法，信道估计算法和数据生成代码。 “ python”文件包含已定义的神经网络模型和经过训练的模型。 如果要直接测试HBF-Net和CE-HBF-Net，则可以 运行“ matlab / channel_gen.m”以生成测试通道。 运行“ matlab / gen_testdata.m”以生成测试数据集 您也可以单击（提取代码：om9r）下载数据集，而无需生成新的测试数据集。 训练后的模型保存在“ python / model”中。 在测试模式（train_flag = 0）下运行“ python / main.py”，可以测试HBF-Net和CE-HBF-Net的性能。 如果您想对HBF-Net和CE-HBF-Net进行再培训，则可以

这个版本已经除去水印和版权提醒信息，默认页面设置也改为了单页连续 FPGA-Based Prototyping Methodology Manual - Best Practices in Design-for-Prototyping Written by Synopsys & xilinx

基于地图的视觉本地化 基于地图的视觉本地化的通用框架。 它包含了 支持传统功能或深度学习功能的地图生成。 视觉（点或线）地图中的Hierarchical-Localizationvisual。 具有IMU，车轮Odom和GPS传感器的融合框架。 我将发布一些相关论文，并在基于地图的视觉本地化中介绍工作。 我想介绍会先用中文写。 因此，快来了，让我们开始吧。 随缘持续更新中!! 2020.09.19添加了微小贡献的github repo链接 2020.09.19添加了第五章的部分内容 2020.09.04添加文章结构 [目录] 基于地图的视觉定位 根据已知地图的视觉定位是一个比较大的问题，基本上会涉及到slam系统，重定位，图像检索，特征点提取及匹配，多传感器融合领域。 0.写在前面 作者：钟心亮 在写本文之前，我想先简单的总结一下历年用的比较多的slam系统，另外会提出一些开

Canonical Variate Analysis ,用于分析多组变量相关性，并能反应各变量重要程度

LAPS - 左房压医疗影像分析系统 项目目录结构设计思路 LAPS Database 用以存放所有 应用程序中运行的数据的 文件 Docs 用以存放所有 文档 文件 Preinstall 用以存放所有 预装 文件以及相应的添加路径脚本文件 PyUI 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件 使用的方法是用的external tool的中的 PYUIC PyUI-test 用以存放所有的 使用Designer设计出来的.ui文件 编译而来的.py 界面文件，与PYUI文件夹存放的文件不同的是其中的文件是可直接执行的版本，用以测试使用。 使用的方法是用的external tool的中的 PYUIC-X Resource 用以存放所有的资源文件 Images 用以存放所有的 图像资源 文件 Sounds 用以存放所有的 音频资源 文件 Qss 用以存

matlab潮流计算含代码线路中断分布因子-LODF基于用户给定的分支中断数目-功率流- 项目博客文章链接在这里： 该项目需要使用快速解耦的XB版本根据用户给定的分支中断数来计算线路中断分布因子（LODF）。 LODF值用于基于偶发事件之前的事前分支流量和基本分支流量来估计事后事件分支流量。 将MW和MVA流量的AC功率流与DC方法进行比较。 在同一WinZip文件中提供了源代码，用于计算LODF值和近似的偶发事件后分支流。 结论： 我通过编写代码来确定摆动总线来开始程序流程，因为它在计算线路中断分布因子并简化B素数矩阵方面起着重要的作用。 主程序打印出每个分支号的清单，从总线到总线，并要求用户输入分支中断号。 该程序将仅测试4、5、6、7、8或9上的分支中断，并循环搜索更多请求，直到用户输入可接受的数字为止。 在为分支中断选择了选定的分支编号之后，将wcc9bus分支数据复制到新矩阵，并删除分支中断的相应行。 然后从缺少分支中断行的新分支矩阵形成B-素数矩阵。 然后，主程序调用LODF函数。 给定分支中断，wcc9bus分支数据和B-素数矩阵，LODF函数（computeLODF.m

yolov3-vehicle-detection-paddle 我的博客地址： vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和车辆类型识别） 今天我们使用 Paddle 开源的两个工具：PaddleDetection 和 X2Paddle 来进行一个车辆检测和类型识别的小demo~ 源码地址： 最终的检测效果如图： 一. PaddleDetection 简介： 源码地址： 官方文档： PaddleDetection 创立的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 简而言之就是，该工具使用百度开源的 Paddle 框架，集成了多种图像识别和目标检测框架，并且提供了相应的训练、推理和部署工具，使得用户可以自己 DIY 数据集和模型细节，实现深度学习落地应用的快速部

OSSEC是基于主机的入侵防护开源解决方案，本手册通过虚拟的业务场景描述OSSEC的主要功能、特性以及日常管理运维的方法。

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。