通过 1D-FDTD 模拟太赫兹辐射脉冲。 脉冲由自由空间中的硬源点产生。 Mur 的辐射边界位于模拟区域的两侧。 对不起我的英语不好！！！

此文件夹中的 Matlab 代码通过快速高斯网格实现 1D-3D NUFFT。 卷积循环被编写为 C 程序，可从 Matlab 命令提示符编译为 mex 文件。 关于代码的更多数学细节可以在 L. Greengard 和 J. Lee 的“加速非均匀快速傅立叶变换”，SIAM 评论，卷。 46，第 3 期，第 443-454 页。 我已经包含了三个示例脚本（fgg_1D_experiment.m 等），它们创建了一个简单的 1D/2D/3D 图像并将 DFT 与 Type-I NUFFT（从非均匀数据到均匀图像网格的 DFT）进行了比较。 图像数据通过伴随算子转换回数据域（Type-II NUFFT——均匀网格 DFT 到非均匀数据位置——用 IFFT 而不是 FFT 实现）并再次返回图像域以证明数值精度. 此代码不包括 Type-III 变换（非均匀-->非均匀），但可以通过结合此处

CNN 深度网络由内置特征提取（展平）层和分类层组成。 通过省略特征提取层（转换层，Relu层，池化层），我们可以将诸如GLCM，LBP，MFCC等特征直接提供给CNN，仅用于单独分类。 这可以通过仅使用全连接层构建 CNN 架构来实现。 这有助于对音频数据进行分类。 http://cs231n.github.io/convolutional-networks/访问此页面以了解有关架构的疑问。 我使用过 C->R->F->F->F 架构

试用版 Barcode Xpress ActiveX 64x 试用版 Barcode Xpress .NET  试用版 试用版 开发语言： .NET/ActiveX/Java 可用平台： VB/VC/.NET/Java 当前版本： V11 是一款优秀的、高速的1D和2D条码生成、检测、识别控件，可以把条码放置在页面任何位置，支持Code 39 和128,UPC, EAN,4-state postal codes等一维条码和DataMatrix, QR Code, PDF417, Aztec二维条码

1维严格耦合波方法matlab代码

《VS2019编译MQTT库 C/C++（超详细，含示例工程）》https://blog.csdn.net/zhh763984017/article/details/104060776 教程里用到的openssl依赖，由于原来官网的下来链接失效，经过粉丝反映，我把本地的依赖上传

介绍 一维（1D）信号/时间序列数据上的多个SOTA骨干深度神经网络（例如ResNet [1]，ResNeXt [2]，RegNet [3]）的PyTorch实现。 如果您在工作中使用此代码，请引用我们的论文 @inproceedings{hong2020holmes, title={HOLMES: Health OnLine Model Ensemble Serving for Deep Learning Models in Intensive Care Units}, author={Hong, Shenda and Xu, Yanbo and Khare, Alind and Priambada, Satria and Maher, Kevin and Aljiffry, Alaa and Sun, Jimeng and Tumanov, Alexey}, bookt

matlab优化泊松方程代码漂移扩散模型 这里是1D，2D和3D模型，它们使用有限差分求解半导体Poisson-Drift-Diffusion方程。 这些模型可用于为大多数半导体器件建模。 该模型的“双电荷载流子”版本当前可解决光照下的太阳能电池。 “单电荷载流子”版本解决了一种材料的电流-电压曲线，该材料仅具有空穴作为自由载流子，并且在黑暗中处于变化的施加电压下。 可以修改所有模型以求解其他系统（即，通过更改边界条件，添加重组率和修改生成率）。 使用称为Gummel方法的自洽迭代方法求解方程。 为了确保连续性方程的数值稳定性，使用了Scharfetter Gummel离散化以及新旧解决方案的线性混合。 1D /漂移扩散/单电荷载体/ src文件夹还包含使用Slotboom变量的实现，这是在不使用Scharfetter Gummel离散化的情况下实现稳定性的另一种方法。 C ++实现的要求：1D版本：C ++ 11编译器。 其中包含用于g ++编译器的make文件以及可用于通过IDE QT Creator进行编译的.pro文件。 同样，输入文件：“ parameters.inp”和“

barcodegen.1d-php5.v5.2.1.zip

Matlab的耳语nafld-1d-cnn 使用射频（RF）超声信号进行NAFLD诊断和肝脂肪分数定量的1D-CNN模型 该代码用于开发，训练和测试两个1D-CNN模型：a）区分NAFLD和对照（无肝病）的分类器； b）预测肝脏脂肪比例的脂肪比例估算器。 两种模型均使用射频超声信号作为输入，并使用MRI质子密度脂肪分数（PDFF）作为参考（标签）。 在分类器的情况下，NAFLD被定义为MRI-PDFF> = 5％。 livernet_1d_cnn.py包含分类器和脂肪分数估算器的最终模型架构。 对于模型训练和超参数调整，请使用hyper_parameter_tuning_classifier.py和hyper_parameter_tuning_ff_estimator.py 对于最终模型训练，请使用train_classifier.py和train_ff_estimator.py。 对于模型测试，请使用test_classifier.py和test_ff_estimator.py。 工具datagenerator.py为深度学习模型中使用的输入数据做准备。 原始的降采样的RF数据应存储