6G MOBILE NETWORKS： EMERGING TECHNOLOGIES AND APPLICATIONS.pdf

具有TensorFlow的贝叶斯神经网络 如我的论文所述，该存储库考虑了贝叶斯人工神经网络的实现。 实施的中心是模块 ，其中我们的许多技术工作都受到启发。 该存储库的主要结构如下：

TDMA Without Clock Synchronizationin Underwater Acoustic Networks

TDMA for Long Distance Wireless Networks

软件定义无线电matlab源代码使用深度学习架构的无线电调制分类 添加一名作者 该笔记本包含我在 2020/2021 学年的代码。 抽象的 学士学位论文的重点是使用深度学习方法进行无线电调制分类。 论文中提出了四种深度学习架构。 其中三个使用卷积和循环神经网络，第四个使用变压器架构。 在设计阶段考虑了每个模型的最终参数数量，因为它会对部署模型的内存占用产生很大影响。 这些架构是用 Keras 编写的，这是一个软件库，为神经网络提供 Python 接口。网络。 此外，还将这些架构的结果与有关该主题的其他研究论文的结果进行了比较。 代码结构如下： 导入- 导入所需的库 定义的函数-定义函数以便以后更容易地处理数据 访问数据集- 如果您愿意，您可以跳过这一部分并在其他地方下载数据集 加载数据- 加载数据并将它们划分为训练、验证和测试集 深度学习部分- 包含准备进行训练和评估的架构 加载训练模型- 您可以选择下载 CGDNN 模型并查看它在相应数据集上的表现 层可视化- 为可视化卷积层和循环层的激活图而编写的一部分代码 绘图- 您可以在这部分绘制混淆矩阵 这段代码在 Google Colab

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

Finding overlapping communities in networks by label propagation论文

概率图模型的缔造者Pearl的又一经典力作，Google引用率超过17000次！ 深入论述了贝叶斯网络推断的相关定义、定理等。 是学习机器学习的必要辅助书籍！ 而且，已通过OCR文字扫描，方便进行查询

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

Principles and Practices of Interconnection Networks