在多输入多输出(MIMO)多用户通信系统下行链路中,当发射端知道信道状态特性(CSI)时,即对发射端进行 编码设计,使接收与发射联合处理可获得较好的通信性能。本文着重分析目前MIMO多用户系统下行链路的三种编码 技术,即直接信道求逆的迫零编码、规范的信道求逆编码和基于THP编码。分析了迫零编码性能不好的主要原 因,可以由规范的信道求逆编码进行改进,并得出非线形编码THP编码性能优于前面两种线形编码。MATLAB仿 真结果证明了以上分析。
2021-11-11 16:16:35 135KB MIMO 预编码 LTE 通信
1
「DDoS」构建城市智慧平台_使能未来智能生活 - 安全资讯 技术分析技术分析系统安全 系统安全 安全管理
2021-11-11 16:00:49 1.27MB Android 企业安全 渗透测试 预编码算法
yoloV3与训练的权重文件,基于coco数据集,下载下来直接就可以使用
2021-11-11 15:16:04 154.96MB yoloV3 权重 预训练
1
坐 用于创建和验证 XML、CFDI 发票、扣税、电子会计(SAT / SHCP / 墨西哥)的程序 ce:电子会计验证(账户余额和目录) xsd:用于表单和语法验证的模式 xslt:使用 xsltproc 生成原始字符串的转换规则 root:SAT 的根证书,用于验证印章是否带有 SAT 颁发的证书 cfdcvali.php:用于 CFD / CFDI XML 验证和扣的 PHP 程序 satxmlvs32.php:PHP 程序,用于生成 CFDI XML 并对其进行密封。
2021-11-11 11:38:48 240KB PHP
1
从零开始的IMU状态模型推导,包括IMU运动模型,IMU观测和噪声模型,IMU状态估计误差模型。转载。感性原作者。
2021-11-10 21:29:51 2.18MB IMU 状态模型 预积分
1
常见拥塞控制方法 缓冲区分配法 该法用于虚电路分组交换网中。在建立虚电路时,让呼叫请求分组途经的节点为虚电路先分配一个或多个数据缓冲区若某个节点缓冲器已被占满,则呼叫请求分组另择路由,或者返回一个"忙"信号给呼叫者。这样,通过途经的各节点为每条虚电路开设的永久性缓冲区(直到虚电路拆除),就总能有空间来接纳并转送经过的分组 分组丢弃法 该法不必先保留缓冲区,当缓冲区占满时,将到来的分组丢弃 定额控制法 这种方法在通信子网中设置适当数量的称做"许可证"的特殊信息,一部分许可证在通信子网开始工作前先以某种策略分配给各个源节点,另一部分则在子网开始工作后在网中四处环游。当源节点要发送来自源端系统的分组时,它必须首先拥有许可证,并且每发送一个分组注销一张许可证。目的节点方则每收到一个分组并将其递交给目的端系统后,便生成一张许可证。这样便可确保子网中分组数不会超过许可证的数量,从而防止了拥塞的发生
2021-11-10 20:03:48 365KB 网络 拥塞控制
1
将该文件放到系统path路径里,解决RuntimeError: Unable to invoke 'cpp'. Make sure its path was passed correctly问题
2021-11-10 19:53:32 192KB ast pycparser py010parser pfp
1
官方h5权重文件,xception_weights_tf_dim_ordering_tf_kernels Linux下是放在“~/.keras/models/”中 windows用户直接将文件放置在:C:\Users\用户名\.keras\models 下即可。官方GitHub下载速度慢,给需要的朋友们。
2021-11-10 15:30:56 87.63MB Keras 预训练 模型 全值文件
1
NLP项目 自然语言处理项目,其中包括有关以下方面的概念和脚本: gensim , fastText和tensorflow实现。 参见, doc2vec , word2vec averaging和Smooth Inverse Frequency实现 对话系统的类别和组成 tensorflow LSTM (请参阅 ,和 , ) fastText实现 ELMo,ULMFit,GPT,BERT,XLNet的原理 HMM Viterbi实现。 参见,中文解读 Named_Entity_Recognition 通过双向LSTM + CRF,张量tensorflow实现对NER品牌。 参见中文注释,中文解读 7_Information_retrieval 8_Information_extraction 9_Knowledge_graph 10_Text_generation 11
1
在10分钟内用Flask作为Web App部署Keras模型 一个漂亮且可自定义的Web应用程序,可轻松部署DL模型 10分钟入门 克隆此仓库 安装要求 运行脚本 转到 做完了! :party_popper: :backhand_index_pointing_down: 屏幕截图: 新的功能 :fire: 增强的,适合移动设备的UI 支持图像拖放 使用原始JavaScript,HTML和CSS。 删除jQuery和Bootstrap 默认情况下切换到TensorFlow 2.0和 将Docker基本映像升级到Python 3(2020年) 如果您需要使用Python 2.x或TensorFlow 1.x,请签出快照 与Docker一起运行 使用 ,您可以在数分钟内快速
2021-11-08 21:59:57 22KB flask deep-learning deployment tensorflow
1