目标定位是具有众多应用的多输入多输出（MIMO）雷达系统的一项基本任务。 在本文中，我们研究了带有电磁矢量传感器（EMVS）的双基地MIMO雷达中的定位问题。 与传统的定标器传感器不同，EMVS能够提供二维（2D）方向搜索，并且可以提供光源的附加偏振特性。 因此，双基地EMVS-MIMO雷达系统中的目标定位涉及2D离开方向（2D-DOD）和2D到达方向（2D-DOA）估计。 此外，我们可以获得目标的发射偏振特性以及偏振特性。 为了利用匹配滤波器之后的阵列测量的张量性质，开发了张量子空间算法，该算法通过叉积技术从张量子空间估计目标参数。 所提出的算法获得了用于参数估计的封闭形式的解决方案，与现有算法相比，它表现出更准确的性能。 数值仿真验证了所提算法的有效性和改进性。

CCPD2019车牌数据集，10000张图片，已制作YOLO格式标签，可以直接训练

2022年易飞管理软件之会计总账子系统培训(共75张PPT).pptx

张兴：高渗透率分布式发电并网技术研究。PQ控制、VSG控制方案、Droop控制和VF控制功率追踪比较。

BDD100K数据集。BDD100K（Berkley DeepDrive 100K）是一个大规模的自动驾驶数据集，由加州大学伯克利分校的Berkley DeepDrive项目团队创建。该数据集旨在为自动驾驶研究提供大量的真实世界驾驶场景数据。 BDD100K数据集包含超过10万个视频序列，涵盖了不同地点、不同天气条件、不同场景的驾驶情况。每个视频序列都配备了高分辨率的前置摄像头记录的图像和对应的传感器数据，如GPS位置、车辆速度、车辆加速度等。这使得研究人员可以在真实世界的多样化驾驶场景中进行算法和模型的测试和评估。 BDD100K数据集主要关注场景理解和目标检测任务。它提供了包括车辆、行人、自行车、交通标志等多个类别的标注边界框。此外，数据集还提供了语义分割标注，用于对图像进行像素级别的分类。这使得研究人员可以进行更细粒度的场景理解和分析。 BDD100K数据集的规模和多样性使得它成为自动驾驶研究和算法开发的重要资源。研究人员可以利用该数据集进行目标检测、语义分割、行为预测等任务的训练和评估。一共上传的是7万张图片以及对应的标签（json格式），需要进行格式转换。图片过大传不了

红外行人检测数据集，总共有8000张图片，由FLIR热红外相机采集得到，全部已经标注包含txt标签文件 里面有jpeg图片和txt格式的标签。 已经按照8:2的比例划分好数据集，训练集6400个，验证集1600个。 nc: 2 names: ['car','person'] 总共927M，通过百度网盘链接发送

竹签标注（xml格式）数据集（210张）

PIC单片机经典教材

我们报告了核子等矢量轴向，标量和张量电荷的晶格QCD计算。 我们的计算是在两个2 + 1风味合奏上执行的，这些合奏是在物理介子质量和晶格间距分别为a≈0.116和0.093 fm时使用2-HEX涂抹的Wilson-clover动作生成的。 我们使用了多种源漏分离方式-粗谱系中的8个值范围大约为0.4至1.4 fm，细谱系中的3个值范围为0.9至1.5 fm，这使我们能够对激发态效应进行广泛的研究。 使用不同的分析和拟合策略。 为了确定重归一化因子，我们使用非扰动的Rome-Southampton方法，并比较RI'-MOM和RI-SMOM中间方案以估计系统不确定性。 我们的最终结果是在MS方案中以2 GeV计算的。 张量和轴向电荷的不确定度约为4％，gT = 0.972（41）和gA = 1.265（49）。 由于对中间重归一化方案的选择和晶格间距的依赖性更大，因此所得标量电荷gS = 0.927（303）具有更大的不确定性。

由于存在多种可能的极化，虚拟光子或重介子衰变中硬的张量介子的硬排他性产生为研究潜在的短程过程的螺旋结构提供了有趣的可能性。 根据贝勒（BELLE）合作在大动量传递时首次测量跃迁形状因子γγ→f 2（1270）的动机，我们提出了在共线性因式分解框架内对此反应的改进的QCD分析，包括扭曲三夸克的贡献。 反夸克胶子算子和使用光锥和规则的软终点校正估计。 结果似乎与数据非常吻合，特别是在所有情况下都复制了预测的缩放行为。