包含两个数据集：mnist160和imagenet100 三个权重参数文件：yolov8n-seg.pt，yolov8n-cls.pt，yolov8n-pose.pt

机器学习之贝叶斯估计，贝叶斯统计视角下的线性回归实例

基于一阶RC模型，电池带遗忘因子递推最小二乘法+扩展卡尔曼滤波算法（FFRLS+ EKF），参数与SOC的在线联合估计，matlab程序

结合旋转机械启停阶段振动信号的特点, 提出了一种基于Viterbi 算法和短时傅里叶变换( STFT-VA) 的瞬时频率估计算法, STFT-VA算法在高噪声、临近阶比和交叉阶比情况下有较高的精度。实现了基于STFT-VA算法的自适应Vold-Kalman阶比跟踪( AVKF-OT) , 和传统的以硬件实现的Vold-Kalman 阶比跟踪( VKF-OT) 相比, 此方法具有无需转速计等硬件、用纯软件的方法实现。实验结果表明, 该方法能够在时域中准确地提取幅值和复杂频率变化的阶比, 适合于复杂旋转机械振

电力线通信系统中改进的信道估计算法，郑建宏，邓湛，电力线通信（Power Line Communication, PLC）系统中脉冲干扰严重，接收端通常前置非线性置零单元对其进行消除，然而该步骤引起了非线性失�

提出基于级联扩展卡尔曼滤波与块状处理线性卡尔曼滤波的频偏和相位噪声协同处理方案。利用扩展卡尔曼滤波器对系统频偏进行初始估计, 利用块状线性卡尔曼滤波器实现频偏和相位噪声的精准估计。对最优数据块长度和调优参数Q的关系, 算法的线宽容忍性能、频偏估计范围以及频偏漂移追踪速度进行了详细的讨论和分析。结果表明, 该方案具有快速的载波估计收敛能力、较高的频偏和相位估计精度, 并且其频偏漂移追踪可高达320 MHz/μs。相比传统盲相位搜索方法, 该方案具备较高的频偏容忍度和较低的实现复杂度。最后实验研究正交相移键控(QPSK)光通信系统下的载波恢复性能, 同时给出不同光信噪比、块状数据长度下的载波频偏估计性能。

目标跟踪和碰撞时间估计 这是Udacity传感器融合纳米度的第二个项目。 我融合了来自KITTI数据集的相机和LiDAR测量值，以检测，跟踪3D空间中的物体并估算碰撞时间。 首先，我用YOLOv3处理图像以检测和分类对象。 下图显示了结果。 基于YOLOv3发现的边界框，我开发了一种通过关键点对应关系随时间跟踪3D对象的方法。 接下来，我使用了两种不同的方法来计算碰撞时间（TTC），分别是基于LiDAR和基于相机的TTC。 环境的结构由主要讲师Andreas Haja构建。 基于LiDAR的TTC 我通过使用齐次坐标将前车的3D LiDAR点投影到2D图像平面中。 投影如下图所示。接下来，我将3D LiDAR点分布到相应的边界框。 最后，我根据不同帧的对应边界框中最接近的3D LiDAR点计算了TTC。 基于摄像头的TTC 我使用检测器/描述符的各种组合来找到每个图像中的关键点，并在

阵列信号处理技术在远场信号DOA的估计方面的研究成为热点。本文就四种经典的DOA估计算法：MUSIC算法、ESPRIT算法、TLS-ESPRIT算法和Toeplitz矩阵重构算法进行对比研究，目的是为工程实现算法的选择提供了一个参考的理论依据。就笔者所知，对这4种算法性能比较分析的公开报道较少。通过MATLAB软件仿真的方法，分析了各算法的优缺点，并总结出各算法适用范围和其理论依据。

头部姿势估计-OpenCV 在计算机视觉中，姿势估计特别是指对象相对于相机的相对方向。 姿势估计在计算机视觉中通常称为“透视n点”问题或PNP问题。 样片 安装 使用包管理器 。 pip install -r requirements.txt cd models bash downloader.sh cd .. 用法 从图像获取姿势 python head_pose_from_image.py -h 从网络摄像头获取姿势 python head_pose_from_webcam.py -h #### For source 0 and focal length 1 python head_pose_from_webcam.py -f 1 -s 0 3D模型可视化 python Visualize3DModel.py

毫米波雷达，77GHz，角度估计，DOA算法，Matlab