高精度三相电表电路功能概述: 三相电表参考设计为采用Kinetis M系列MCU的三相电表提供了应用范例。随着全球范围内电能消耗的不断增加，特别是住宅市场，电力公司需要更加高精度和高性价比的电表解决方案。三相电表参考设计通过提供一个高性能模拟前端(24位AFE)，与一个嵌入式可编程增益放大器(PGA)相结合，提高电能计量精度，同时还实施了一个高性价比的分流传感电路，且物料清单(BOM)成本低廉，满足了精度与成本的双重需求。 该三相电表参考设计用于直接连接的三相网络内的有功和无功电能的测量和登记。根据欧洲B类和C类EN50470-1和EN50470-3规范，以及面向电表2类和1类有功电能的IEC 62053-21和IEC 62052-11国际标准，对其进行了预认证。

通过广播星历自动计算某卫星一天内各时刻的位置，并和同目录精密星历比对精度。注释很多。

为解决在嵌入式设备上实时、高精度检测司机安全驾驶监督的问题，本文基于目标检测中经典的深度学习神经网络YOLOv3-tiny，运用通道剪枝技术成功在目标检测任务中实现了模型压缩，在精度不变的情况下减少了改进后神经网络的计算总量和参数总数.并基于NVIDIA的推理框架TensorRT进行了模型层级融合和半精度加速，部署加速后的模型.实验结果表明，加速模型的推理速度约为原模型的2倍，参数体积缩小一半，精度无损失，实现了高精度下实时检测的目的.

PTP (Precision Time Protocol)高精度时间同步协议+CS模式测试代码

1.集成学习简介 一个牛逼的算法和10个简单的算法比，后者更好一点。 所以在解决过拟合和欠拟合问题的时候，使用boosting 和bagging 的方法。 欠拟合问题解决：弱弱组合变强 boosting 过拟合问题解决：相互牵制变壮 bagging 2. Bagging bagging集成过程 采样：从所有样本中又放回的采样一部分特征 学习：训练弱n个学习器 集成：平权投票n 个若学习器 随机森林 定义：随机森林 = Bagging + 决策树 流程 在所有样本里选m个数据 在m个数据里选k个特征 训练n 个弱决策树 重复上三条 平权投票 注意：有放回的取出数据。选取的特征远小于所有特征

浮点数转换工具，可以将浮点数转换成对应的16进制数(即计算机内存中的数值)，也可以将16进制数转换成相应的浮点数。

matlab精度检验代码用MATLAB进行神经网络和深度学习 我是深度学习的初学者，我发现Michael Nielsen的在线电子书很棒！ 同时，我是具有10年经验的MATLABer 。 在这个项目中，我将重写Michael使用MATLAB在Python中所做的工作。 我这样做的一部分是摘录Michael的书，另一部分是让其他MATLAB用户阅读和欣赏本书。 档案内容 nnet.m ：对应于network.py nneto.m ： nnet.m的另一个矢量化版本，不对应于Michael的书中的任何代码。 但是迈克尔确实评论了与network.py进一步向量化有关的内容 test_nnet_MNIST.mlx ：这是包含实时输出的MATLAB实时脚本。 使用与迈克尔在书中说明的配置相同的配置。 即净尺寸[784、30、10]这大约需要600秒才能完成30个纪元 __NNET_MNIST_README_20190118.txt ： test_nnet_MNIST.mlx中显示的结果的可读版本。 请注意，它们来自不同的试验，因此不完全相同 test_nneto_MNIST.mlx ：再次运行

pi 的计算 （高精度） 用pi 的几个近似计算公式算的，主要是使用了高精度

集成学习Bagging ，Boosting等介绍的PPT。集成方法是构建一种对单个分类器进行集成的学习算法，将各分类器的分类结果以一定的方式集成起来实现对新数据点进行分类，其中单个分类器是独立的且不要求分类精度很高。通过这种方式，大大提高了集成系统的性能。

与光纤通信相比，微波点对点通信有可移植性好、性价比高、不涉及土地产权等众多优点。在很多国家，它们已经成为基站间光纤连接的替代技术，例如在美国、英国，日本等国家，运营商85%以上的基站回传通信已经采用微波通信。