长理的数字信号处理题库，整理了一下，反正要是对考试是肯定有用的，如果平时上课没怎么听的话，或者作业没怎么认真做的话

ET服装CAD连接长地数字化仪参数设置 1：启动数字华仪的菜单，游标对准菜单上的SETUP方框顺序按下游标的 F，E键。 2：通过按下游标的A键来设置25个小方格的灯亮灭参数设置如下： （1为亮，0为灭） 工作方式 MODE 0 0 0 0 1 0 0 数据方式 FORMAT 1 1 1 1 0 0 分辨率 RES 0 0 0 波特率 BAUD 1 0 0 数据参数 PARITY 1 1 0 0 换行 LF 0 回车动态键盘 ECHO 0 3：保存：设置完毕后在SAVE（保存参数）项中选择位置1保存（按A键） 数字化仪发出两声蜂鸣，证明硬件设置已完成。 4：进入输入系统，在顶端的工具栏里，点击最后一项。弹出数字化仪信息设定对话框，在格式栏里输入：XXXXXX*YYYYYY*KK* 5：在键值表设定选择：01—16 6：按确定完成。 7：双击读图图标，进入读呼画面，点菜单“数字化仪”下拉框里的“筒单校正” 弹出一对话框，按确定。 8：数字化仪校正：将一张绘有100X60cm的校正矩形的白纸粘贴在数字化仪上，然依次指示矩形的三个角(用任意键)，先左上角，后右上角，再右下角，这时电脑上弹出一对话框，点确定即可。

针对极化码盲识别问题，首先证明了能表征实际极化码码长、码率关系的定理1和定理2及区别冻结比特位和信息比特位的定理3。基于这3个定理，通过遍历可能的码长值，构建了码字矩阵和克罗内克矩阵，然后遍历信息比特位，检测码字空间与疑似对偶空间的校验关系。为了检测校验关系，引入了对数似然比概念，基于其统计特性和最优准则，估计出该遍历码长下的码率及信息比特位置，最终完成参数的识别。仿真结果表明，3个定理的结论与仿真结果一致，且算法具有较强的容错性，在信噪比为6.5 dB、码长为1 024条件下，参数识别率能够达到98%以上。

本文实例为大家分享了python实现寻找最长回文子序列，这一类的问题可以使用动态规划的方法去做，我之前应该有几篇博文都是关于回文序列的求解的，正好有可以复用的代码就懒得再用别的方法写了，直接套用，思想还是滑窗切片，很简单就是运算会多点，下面是具体实现： #!usr/bin/env python #encoding:utf-8 ''''' __Author__:沂水寒城 功能：寻找最长回文子序列 ''' def slice_window(one_str,w=1): ''''' 滑窗函数 ''' res_list=[] for i in range(0,len(one_s

SVG排版公众号文章『自适应适配二次展开无缝长图』模板代码

SVG排版公众号文章『播放GIF与二次展开无缝长图』模板代码

很好的描述了如何将人工智能之循环神经网络运用于金融之股票市场的预测，包括特征处理，标准化，结论，与传统机器学习的效果进行比较

这是在深度学习工具箱中使用长短期记忆（LSTM）网络在接收器处实现符号分类以在OFDM系统中进行信号检测的示例。 基于 LSTM 的神经网络针对单个子载波进行训练，其中符号错误率 (SER) 被计算并与最小二乘 (LS) 和最小均方误差 (MMSE) 估计进行比较。 在此初步调查中，假设无线信道在离线训练和在线部署阶段是固定的。 为了测试神经网络的鲁棒性，对每个传输的 OFDM 数据包应用随机相移。 考虑了导频符号数量和循环前缀（CP）长度的影响。 要重新创建仿真结果，请加载相应的Mat文件并运行脚本Testing.m。 这段代码的想法受到论文的启发： H. Ye、GY Li 和 B. Juang，“OFDM 系统中信道估计和信号检测深度学习的力量”，IEEE 无线通信快报，第一卷。 7号1，第 114-117 页，2018 年 2 月。

Altium Designer 蛇行 等长 布线 Altium Designer 中 DDRII SDRAM 的等长布线

可进行有向图的创建，所有简单路径的遍历，并找出其中的最短路径和最长路径。