3．2．2噪声卷积干扰技术 3．2．2．1噪声卷积干扰的基本原理 第3．1．1节中通过仿真分析了噪声调幅信号的干扰效果，通过理论分析，当 干扰信号的功率足够大，就能够将真实目标淹没在其中，使雷达不能够正常的对 目标进行检测和跟踪。但是，大功率的干扰机在工程实现上比较困难，在复杂的 战场环境下，造成了干扰能量的利用率低。而且，由于干扰机能量过大，在战场 环境下很容易被敌方雷达预先发现而被摧毁掉，很难适应目前电子战环境下灵活， 多变的战术特点。 噪声卷积干扰是针对传统非相参噪声干扰功率利用率不高的问题而提出来的 新型的干扰思路。它是将干扰机接收到的雷达信号与视频噪声相卷积后经过功率 放大发射出去。这种干扰技术不需要经过测频和频率引导技术等就能够自动的跟 踪上雷达频率，在通过匹配滤波器的过程中，能完全获得信号的压缩处理增益。 从干扰的效果上看，噪声卷积干扰兼有压制干扰和欺骗干扰的效果，所以是干扰 脉冲压缩雷达的一种很好的方法b0]陋¨。 ‘ 图3—5是基于噪声的卷积调制干扰实现框图。干扰机接收到的雷达信号一路 经放大滤波后送到射频存储器(DRFM)存储，经过处理后送到卷积调制器；另一 路信号经过接收和数据处理，产生控制信息来控制噪声单元产生噪声然后也送到 卷积器。两路信号送到卷积器参与卷积后经功放和波束形成后经发射天线向雷达 辐射出去。当雷达接收机收到了干扰信号后，干扰信号通过脉冲压缩雷达的压缩 32

基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行基于keras 卷积神经外网络搭建的手写数字识别 完整代码+数据可直接运行

java核心技术卷1，高清扫描版pdf，周立新，陈波，叶乃文

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

Win32开发人员参考库第四卷（通用控件）（全本）共有两个分卷，找了好久才找到的

VBScript程序员参考手册（第3版）.本文档共两个压缩文件，此为压缩卷2，必须同时下载两个卷放同一目录下，解压缩即可。

VBScript程序员参考手册（第3版）.本文档共两个压缩文件，此为压缩卷1，必须同时下载两个卷放同一目录下，解压缩即可。

最全最清晰的 疯狂android讲义 作者李刚（共5卷 237m)

（171,133）卷加码及其2/3、3/4码率删除码的编译码，对比不同码率在不同信噪比条件下的抗噪声性能

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集