重构改善既有代码的设计第2版.pdf

数模转换器（ADC）提供了许多系统中模拟信号到数字信号的重要转换。它们完成一个模拟输入信号到二元有限长度输出命令的振幅量化，范围通常在6到18b之间，是一个固有的非线性过程。该非线性特性表现为ADC二元输出中的宽带噪声，称作量化噪声，它限制了一个ADC的动态范围。本文描述了两种时下   的方法来改善实际ADC应用中的量化噪声性能：过采样和高频抖动。　　为理解量化噪声缩减法，首先让我们回顾一下，一个理想的N位ADC的信号与量化噪声比为（单位dB）　　SNRQ=6.02N+4.77+20log10（LF）dB，　　其中：LF=ADC的输入模拟电压级的加载因子测量（SNRQ由参考资料1提供）。参数L

作者：Martin Fowler，Kent Beck，John Brant ，William Opdyke ，Don Roberts 翻译：侯捷、熊节 Martin Fowler和本书另几位作者清楚揭示了重构过程，他们为面向对象软件开发所做的贡献，难以衡量。本书解释重构的原理（principles）和最佳实践方式（best practices），并指出何时何地你应该开始挖掘你的代码以求改善。本书的核心是壹份完整的重构名录（catalog of refactoring），其中每壹项都介绍壹种经过实证的代码变换手法（code transformation）的动机和技术。某些项目如Extract Method和Move Field看起来可能很浅显，但不要掉以轻心，因为理解这类技术正是有条不紊地进行重构的关键。本书所提的这些重构准则将帮助你壹次壹小步地修改你的代码，这就减少了过程中的风险。很快你就会把这些重构准则和其名称加入自己的开发词典中，并且朗朗上口。 目录结构： 章节一 重构，第一个案例 章节二 重构原则 章节三 代码的坏味道 章节四 构筑测试体系 章节五 重构名录 章节六 重新组织你的函数 章节七 在对象之间搬移特性 章节八 重新组织数据 章节九 简化条件表达式 章节十 简化函数调用 章节十一 处理概括关系 章节十二 大型重构 章节十三 重构，复用与现实 章节十四 重构工具 章节十五 集成

神经元学习是神经元网络更复杂学习的基础。 简历是用于加标神经元的最受欢迎的监督学习算法之一。 它对应于Widrow-Hoff规则，其权重调整是基于基于尖峰的Hebbian进程得出的。 尽管它取得了很大的成功，但是当所需的输出尖峰序列变长时，学习精度会Swift下降。 本文分析了与简历学习趋同有关的两个重要因素。 在此基础上，我们提出了两种方法来提高简历的有效性。 实验结果表明，两种改进算法均可以达到较好的性能。

摘   要： OFDM系统高峰均比是其在实际应用中的一个瓶颈。依据实际系统中算法复杂度和实现可行性要求，使用预畸变类技术降低系统峰均比，降低了算法复杂度，提高了可实施性，同时获得可靠的系统误码率性能。仿真结果表明， 该方法能有效降低任意子载波数据的OFDM信号的PAPR，而且与其他方法相比应用更为简单。 　　OFDM —— OFDM（Orthogonal Frequency Division Multiplexing）即正交频分复用技术，实际上OFDM是MCM Multi-CarrierModulation，多载波调制的一种。其主要思想是：将信道分成若干正交子信道，将高速数据信号转换成并行的低

电话机消侧音原理及其稳定性问题的改善办法

改善C#程序的157个建议.pdf 这个文档来源网络，作者写得非常好，推荐学习C#的都看一下，很适合程序员入门用！

为提取噪声背景下的微弱信号，提出了一种硬件与软件相结合的实现方案。采用仪表放大技术和单片机控制技术相结合对数据进行检测和处理。该系统优化硬件调理电路设计，保证采集数据的精度要求。利用ARM实现基于数字相关的算法，改善信噪比，有效恢复淹没于强背景噪声中的微弱信号。最后通过对模拟低频微弱电流信号的检测实验，充分显示了该系统在微弱信号检测方面的实用性和有效性。

修剪后的依赖树上的图卷积用于关系提取 此回购包含PyTorch代码，用于修剪。 本文/代码在修剪的依赖树上引入了图卷积神经网络（GCN），用于关系提取的任务。 还引入了一种特殊的树修剪技术，称为“以路径为中心的修剪”，以从树中消除不相关的信息，同时最大程度地维护相关信息。 与诸如各种基于LSTM的模型之类的序列模型相比，此GCN模型利用依赖结构桥接远程单词，因此提高了远程关系的性能。 与以前的递归模型（如TreeLSTM）相比，此GCN模型在获得更好的性能的同时，也更早地实现了并行化，因此效率更高。 参见下面的模型架构概述： 要求 Python 3（在3.6.5上测试） PyTorch（