提出了一种当接收端(或基站)在平面上随机分布时，考虑非视距（NLOS）传播误差条件下对移动台定位的有效算法。该方法基于到达时间定位技术，其主要思想是通过概率定位和几何定位联合检测具有 NLOS 误差的测量值(在各接收端处估计的信号时延)，然后估计这些测量值的 NLOS 误差的大小并更新这些测量值，最后重新估计移动台位置。文中给出了算法的步骤，推导了算法估计误差的方差。同时，本文推导了 NLOS 环境下定位估计误差的克拉美罗下限，并将所提算法的性能与克拉美罗下限做了比较和分析。仿真部分也给出了不同算法与本文算法的性能比较，从仿真结果可以看出，该算法估计精度高。

数据集 数据集_从零开始学习SSD目标检测算法训练自己的数据集

DETR（DEtection TRansformer）是一种基于Transformer架构的端到端目标检测模型，其主要流程包括： 1. 特征提取：通过卷积神经网络提取输入图像的特征。 2. Transformer编码器：将特征图输入Transformer编码器，利用自注意力机制和全连接层获取位置的上下文信息。 3. 对象查询：引入特殊的“对象”查询向量，指导模型在每个位置关注的对象类别。 4. 解码器：将Transformer编码器的输出作为解码器的输入，通过多层自注意力计算和全连接层计算生成每个位置的对象特征。 5. 对象匹配：将对象特征与所有可能的目标类别进行匹配，产生候选框和得分。 6. 位置预测：为每个候选框产生精确的位置预测。 DETR简化了目标检测流程，无需使用锚框或非极大值抑制，直接输出目标检测结果

D* Lite算法的核心思想是通过不断更新代价地图来实现路径规划。它使用两个主要的数据结构：状态图和优先队列。状态图记录了每个位置的代价信息，而优先队列则根据代价信息来选择下一个要扩展的节点。 在使用D* Lite算法进行路径规划时，首先需要初始化起点和目标点，并将起点加入到优先队列中。然后，算法会不断从优先队列中选择代价最小的节点进行扩展，直到找到目标点或者无法找到路径为止。在扩展节点时，D* Lite算法会根据当前节点的代价信息和邻居节点的代价信息来更新状态图，并更新优先队列中节点的优先级。

基于两优先级Round-robin算法PCI仲裁扩展器的设计与实现，陈晓飞，李红信，PCI总线凭借高带宽、高性能、高可靠性、即插即用等多方面的优越性获得了迅速的发展。当PCI总线上挂载多个设备时，为保证多个设备能

这是“随机化学”(RC) 算法的基本实现，用于在 log(N) 试验中从 N 个元素的通用集合中找到缺陷集合。 对该函数的多次调用包括统计上独立的试验。 算法实现中包括一个虚拟适应度函数和用于测试算法的“缺陷集”。 请参阅随附的算法“受组超边测试启发的采样”(SIGHT)，该算法还可用于在 log(N) 试验中查找缺陷集。 SIGHT 使用相同的虚拟适应度函数和缺陷集，以便于比较，可在文件交换中获得： https : //www.mathworks.com/matlabcentral/fileexchange/72718-sampling-inspired-by-group-hyperedge-测试视线。 这两种算法都已成功应用于识别一小组传输线，这些传输线同时发生故障会导致电网模拟中的级联停电（请参阅下面的参考资料）。 免责声明：此实现旨在易于阅读和理解，但并未针对效率进行优化，并

数字电源算法，用C语言写的

考虑以下问题：给定 R(mxn) 中的矩阵 A，R(m) 中的向量 b 且 e>0，计算满足 norm(Ax-b)<=e 的向量 x，如果存在，则 x在所有这些向量中具有最少数量的非零条目。

CPLEX二阶锥规划考虑Wind+CB+SVG+OLTC+ESS多时段24h，参考文献：主动配电网多源协同运行优化研究_乔珊 摘要：最优潮流研究在配 电网规划运行 中不可或缺 ， 且在大量分布式能源接入 的主动配 电网环境下尤 为重要 。传统的启发式算法 在全局最优 解和求解 速度上均 无法满足主动配电网运行要求 ， 而基于线性化的最优潮流方法在高阻抗的配 电网中适用性也较 弱。 基于此，文章建立 了基 于二阶锥规划的动态最优潮流模型框架，力图将原非线性规划模型松弛转化为SOPC进行快速求解 。 首先 ，给出了基于二阶锥松弛 的配 电网动态最优潮流基本模 型； 然后,对主动配 电网中各重要参与元素进行相应 的线性化建模处理 以便 高效求解，如主动管理设备、配 电网重构、需求响应及综合负荷等；同时，分析 了松弛模型和近似等效 的准确性。

高斯白噪声matlab代码SPA_for_LDPC 这个存储库是关于LDPC（又名低密度奇偶校验）代码的和积算法（在二进制对称信道，二进制擦除信道和AWGN（加性高斯白噪声）下）的实现（使用C和Matlab）的） 渠道。 感谢您在中提供这些（几乎）常规LDPC矩阵文件。 感谢Takuji Nishimura和devoloping The，也感谢Shawn Cokus提供了。