介绍了LTE系统中的咬尾卷积编码器，分析了该编码器的增益，在众多译码算法的基础上研究咬尾卷积码的几种译码算法，通过MATLAB对这几种译码算法在不同信道环境、不同长度数据块的情况下进行性能仿真，并对仿真结果进行分析。从性能和复杂度这两个角度考虑， 两步维特比算法较适合作为LTE通信系统中咬尾卷积码的译码方法。

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

某电子集团长期投资评估(doc 25页).doc

阿里巴巴管理三板斧

可视化分析RNN的状态变化 有关LSTMVis，介绍视频以及实时演示链接的更多信息，请访问 还可以在或在线演示中查看我们关于序列到序列模型的新工作，为 V2.1中的更改 更新到Python 3.7 ++（感谢@nneophyt） V2的变化 新设计和服务器后端 隐藏状态轨道的离散缩放 添加了用于元数据和预测的注释轨道 为张量流添加了训练和提取工作流 客户端现在是ES6和D3v4 客户端的一些性能增强 添加了Keras教程（感谢Mohammadreza Ebrahimi） 安装 请使用python 3.7或更高版本来安装LSTMVis。 克隆存储库： git clone https://github.com/HendrikStrobelt/LSTMVis.git ; cd LSTMVis 使用安装python（服务器端）要求： python -m venv venv3 sour

大数据-算法-长期嗜酒致酒精性肝损伤的队列研究.pdf

资源名称：LTE-UMTS长期演进理论与实践（中文版）资源截图： 资源太大，传百度网盘了，链接在附件中，有需要的同学自取。

带有多个用于自动驾驶的传感器的欧盟长期数据集 ，， 和 问题 雷达数据： 通过GPS-RTK提供车辆位置地面实况： ， 数据集 基准线 我们分叉了以下最新方法的实现，并使用我们的数据集进行了试验（稍有更改）： 姿势估计： ： 激光雷达里程计： https : //github.com/laboshinl/loam_velodyne 激光雷达里程计： https : //github.com/RobustFieldAutonomyLab/LeGO-LOAM 待续 ... 非常欢迎所有用户提交结果。 GPS / RTK记录的地面真实轨迹 hector_pose_estimation（姿势估计） 怎么玩 roslaunch utbm_pose_estimation.launch bag:=path_to_your_rosbag utbm_pose_estimati

重构背景值双变权GM (1, 1) 中长期预测模型构建.pdf

没有购买注册微软的用户，使用vs总是会出现过了30天试用期，vs过期的情况，现提供注册码，可重复使用