单载波频域均衡(SC-FDE)是数字通信中克服多径衰落的有效技术。宽带通信系统中应用单载波频域均衡系统设计，实现137.5 MHz 载波下27.5 Mbps 的码元传输速率。同时在系统中添加1/2 码率卷积码与(239,223)里德-所罗门(RS)码的级联信道纠错编码，提高系统的可靠性。完成单载波频域均衡系统设计，分析设计系统的关键技术，最终在现场可编程门阵列硬件平台上进行系统实现、调试和验证，完成系统实际误码率的测试。

基于记忆效应的散斑解卷积法是近几年提出的一种可以实现透过散射介质层成像的方法。可用于散斑解卷积法的算法有很多,但具体的对比分析工作却鲜有报道。设计并搭建了基于记忆效应的透过散射层成像的光学系统,对探测到的散斑进行解卷积计算,并重建出对象图像。在重建过程中,分别使用互相关解卷积算法、维纳滤波算法、正则化解卷积算法以及Lucy-Richardson算法进行解卷积计算。对不同算法重建的图像进行了多个图像质量评价指标的计算。综合图像质量和计算时间,发现互相关解卷积算法在透过散射层成像的应用中具有最大优势,并从原理上进行了简要的解释。

涵盖javaWeb开发的很多方面，每一个方面都有很多小例子，基础卷和提高卷共1200个左右的实例，对于想要从事java Web开发或者java Web开发小白是非常棒的学习资料

UiBot高级认证_A卷及答案.rar

实验目的和要求： （1）掌握遥感图像空间增强处理的主要过程； （2）学习增强处理中的卷积增强处理的基本方法； （3）进一步熟悉erdas imagine 8.7软件的操作方法。

提出了利用卷积神经网络(CNN)对儿童注意缺陷与多动症(ADHD)的功能性核磁共振图像（fMRI）进行特征分析，从而对ADHD患者进行判别分析。针对ADHD-200全球竞赛的三个数据库的fMRI数据，首先利用快速傅里叶变换将数据从时域转换到频域，并利用Fisher线性判别方法选择有效的频率信息，然后利用改进的卷积神经网络对选择频域数据进行特征学习，自动提取出有效的特征并进行分类。实验结果表明，提出的方法有助于ADHD患者的判别，为基于fMRI数据的ADHD研究提供了新的手段。

适合初学CST和深入学习CST的教程;里面有详细的介绍说明

CA-Net：用于可解释医学图像分割的综合注意力卷积神经网络 该存储库提供“ CA-Net：可解释医学图像分割的综合注意力卷积神经网络”的代码。 现在可以在上我们的工作。 接受了我们的工作。 图1. CA-Net的结构。 图2.皮肤病变分割。 图3.胎盘和胎脑分割。 要求条件 一些重要的必需软件包包括： 版本> = 0.4.1。 智慧 Python == 3.7 一些基本的python软件包，例如Numpy。 按照官方的指导安装 。 用法 用于皮肤病变分割 首先，您可以在下载数据集。 我们仅使用了ISIC 2018 task1训练数据集，要对数据集进行预处理并另存为“ .npy”，请运行： python isic_preprocess.py 为了进行5倍交叉验证，请将预处理数据分成5倍并保存其文件名。 跑步： python create_folder.py 要在ISI

PConv_in_tf “使用部分卷积对不规则Kong进行图像修补”第一个tensorflow主实例，使用tensorflow完全实现，而无需修改源代码。 部分转化 使用curr_bin_mask表示当前二进制文件的掩码； conved_mask表示二进制掩码的卷积结果，对应于文本中的sum（M）； new_bin_mask表示卷积后的新二进制掩码，更新规则为： （（conved_mask == 0）== 0） 因此，局部卷积的计算如下： Pconv（x）=（Conv（x * curr_bin_mask）*隐蔽掩码+ b）* new_bin_mask 如文本中所述，使用新掩码的操作是为了确保无效输入为零。 网络结构 用局部卷积代替卷积 面膜生成 与原始版本不同，我使用opencv生成了一个掩码，并将无效零件输入设置为零。 为了确保面罩的不规则性而无填充，面罩部分中的单元数也是随机的，

本文于译文,卷积神经网络是一种识别和理解图像的神经网络。本文将从不同的层次来介绍卷积神经网络。本文将继续为你介绍关于卷积神经网络的知识。为了保持文章的简洁性和全面性我将为你提供研究论文的链接，里边会有更为详细的解释。让我们看看转换层，还记得滤波器、接受域和卷积吗？现在我们可以改变两个主要参数来修改每层的运行状态。在选择滤波器大小之后，还要选择宽度和填充。用宽度来控制滤波器如何在输入量的上下范围内进行卷积。例如，一个7*7的输入量，一个3*3的滤波器（忽略第三维度的简单性），宽度为1。看看你是否能尽力猜出随着宽度增加到2，输出量会发生什么变化。因此，正如你所看到的那样，接受域现在在两个单元之间来