背景 在球体上找到点的均匀分布的问题历史悠久。 它的出现通常归因于物理学家JJ汤姆森（JJ Thomson），他在创建了他的所谓的李子布丁原子模型之后于1904年提出了这一想法[1]。 因此，该问题涉及确定局限于球体表面的N个均等电荷粒子的最小能量构型，它们通过库仑定律[1]施加的力相互排斥。 尽管原子的李子布丁模型早已被人们忽略，但汤姆森提出的原始问题已在许多研究领域中重新出现，并在病毒形态学，晶体学，物理化学，地球物理学，声学，信号处理，计算机图形学和医学成像（例如，HARDI）。 本次提交的目的是为Matlab用户提供一组函数，用于生成统一的采样模式和单位球体的分解（请参见演示图片）。 主要功能说明 “ ParticleSampleSphere.m”：通过使用梯度下降来最小化N个带电粒子系统的广义静电势能，从而生成单位球体的近似均匀的三角形镶嵌。 在此实现中，粒子的初始配置基于球

采样图示说明 梳状采样函数 1、原函数： f (x) 3、采样后函数： 2、梳状函数： x f (x) x comb(x) x fp(x)

在做高频电源，经常涉及高频交流信号的采样，传统的采样电路如下图： 　　该电路适合电压采样也适合电流采样，图中的变压器，用于电压采样，则是变压器，用于电流采样，则是电流互感器，变压器与互感器可以认为是相反使用的，比如变压器一般用于降低电压，匝数比50：1，而互感器，则降低电流，匝数比1：50，互感器输出一般需要有闭合回路的终端，比如一个小电阻，这个读者自己调整。 　　对于电压采样来说，当原边输入电压太低，通过变压器降压后，因为整流二极管的压降存在，采样的电压会偏低，低电压下误差较大。对于电流采样来说，当原边电流电流较小时，因为二极管的存在，会引起相位误差。一代高

smote的matlab代码 高斯噪声回归的合成少数过采样技术 描述 用于高斯噪声回归的合成少数过采样技术 (SMOGN) 的 Python 实现。 使用传统插值以及引入高斯噪声 (SMOTER-GN) 进行回归的合成少数过采样技术 (SMOTER)。 根据给定观察结果的 KNN 距离在两种过采样技术之间进行选择。 如果距离足够近，则应用 SMOTER。 如果距离太远，则应用 SMOTER-GN。 适用于回归适用的预测问题，但用于预测的值很少或不常见。 这也可以作为对倾斜响应变量进行日志转换的有用替代方法，尤其是在生成合成数据也很有趣的情况下。 特征 唯一的开源 Python 支持版本的合成少数回归过采样技术。 支持包含混合数据类型的 Pandas DataFrame 输入、按数据类型自动选择距离度量以及可选的自动删除缺失值。 灵活的输入可用于在连续响应变量和友好参数内控制感兴趣的区域，以对合成数据进行过采样。 纯粹的 Pythonic，为一致性、可维护性和未来改进而开发，没有原始 R 实现中包含的对 C 或 Fortran 的外部函数调用。 要求 Python 3 NumPy 熊猫

对于变频技术来说，SPWM(正弦波脉宽调制)才是其真正的核心。SPWM波的产生于控制影响着变频技术的发展与产品的性能。因此更好的掌握SPWM波是非常重要的，目前领域中对于SPWM波生成的计算方法主要有三种，本文就将对其中的对称规则采样法通过图文的方式进行介绍。

C#编写上位机程序，实现一拖三，上位机发送地址数据，如果下位机的地址和发送的数据吻合，那该下位机就将AD采样的数据发送到上位机。但是显示波形比较慢，还没能很好解决这个问题。

数字信号处理的上机实习报告关于声音的采样-301760数字信号实验报告1.rar 数字信号处理的上机实习报告！关于声音的采样！-digital signal processing internship report on the plane! A sampling of voices!

有关带通采样的描述，可以参考一下。如果某些同学对此不是很了解的话有兴趣可以看一看

LombScargle.jl 文献资料 建立状态 代码覆盖率 介绍 LombScargle.jl是一个软件包，用于使用对周期信号的进行快速多线程估计。 提供工具以执行信号频谱分析的另一个Julia软件包是 ，但其方法要求信号在等间隔的时间进行采样。 相反，Lomb–Scargle周期图还使您能够分析采样数据不均匀的情况，这在天文学中是相当普遍的情况，在该领域中，此周期图被广泛使用。 以下文件报告了此软件包中使用的算法： Press，WH，Rybicki，GB 1989，ApJ，338，277（URL： ://dx.doi.org/10.1086/167197，Bibcode： :

卷积递归神经网络（CRNN）在OCR的研究中取得了巨大的成功。 但是现有的深度模型通常在池化操作中应用下采样，以通过丢弃一些特征信息来减小特征的大小，这可能会导致丢失占用率较小的相关字符。 而且，循环模块中的所有隐藏层单元都需要在循环层中连接，这可能导致沉重的计算负担。 在本文中，我们尝试使用密集卷积网络（DenseNet）替代CRNN的卷积网络来连接和组合多个功能，从而潜在地改善结果。 另外，我们使用上采样功能构造一个上采样块，以减少池化阶段下采样的负面影响，并在一定程度上恢复丢失的信息。 因此，信息特征也可以用更深层次的结构来提取。 此外，我们还直接使用内部卷积部分的输出来描述每个帧的标签分布，以提高处理效率。 最后，我们提出了一个新的OCR框架，称为DenseNet，带有上采样块联合和连接主义的时间分类，用于中文识别。 中文字符串数据集上的结果表明，与几种流行的深度框架相比，我们的模型提供了增强的性能。