同信道干扰是通信系统中普遍存在的问题，这将导致到达方向（DOA）估计的恶化。 为了解决这个问题，提出了一种适用于均匀圆形阵列（UCA）的分数阶低阶循环MUSIC方法。 所提出的方法可以消除相同频带内的脉冲噪声和干扰，并且在高斯噪声中也能很好地表现出来。 特别地，该算法可以应用于窄信号模型或宽带信号模型。 仿真结果强烈验证了该方法的高性能。
2021-11-11 10:11:40
1023KB
1
主要介绍了如何提高python 中for循环的效率，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2021-11-10 09:57:40
62KB
1
针对光纤布拉格光栅(FBG)传感网络中重叠光谱的中心波长解调问题,提出一种基于门控循环单元(GRU)网络的波长检测方法。该方法将FBG重叠光谱的波长解调问题转换为模型回归问题,同时考虑到光谱数据的序列特征和频谱特性,采用GRU网络实现对光谱数据的特征学习,训练得到相应的波长检测模型,从而实现对重叠光谱的精确快速解调。经实验验证,所提方法能够解决FBG传感网络光谱部分重叠或完全重叠条件下的中心波长的精确解调问题,其方均根小于1 pm的测试结果占总数的88.2%。相比现有的解调方式,所提方法在检测精度和稳定性上均有一定的提升,为提高FBG传感网络的复用能力提供了新的途径。
2021-11-09 20:54:04
5.74MB
1
图像的均方误差的matlab代码经常注意模型
介绍
在过去的十年中，神经网络和深度学习在从计算机视觉到自然语言处理的各种应用中得到了快速发展。
随着计算的巨大改进，人们可以训练庞大而深入的神经网络来完成某些特定任务，例如Imagenet中的图像分类，通过RNN进行图像字幕，语义分割，对象检测，文本生成等。
现在，存在许多不同的神经网络功能。
但是，传统的CNN或多或少都面临着相同的问题：计算复杂性，可伸缩性，鲁棒性。
同时，神经网络也被引入到强化学习中，并在游戏中产生了巨大的成功。
里程碑是和。
这些成就使研究人员考虑了将强化学习算法与CNN结合以实现“注意力”机制的可能性。
这是循环注意力模型的动机，它是CNN，RNN和REINFORCE算法的混合体。
原始的创作论文为，在MNIST数据集中表现出色。
该模型可以大大减少计算量，并忽略图像中的混乱情况。
我花了很多时间和精力研究并在张量流中补充了该模型。
这就是该存储库的用途。
模型
本文的模型如下：
图例：
瞥见传感器：给定输入图像，瞥见位置和标度号以提取视网膜表示。
瞥见网络：两个完全连接的层，可在给定输入图像和瞥见位置的情况下输
2021-11-09 20:08:26
24.2MB
1
ul{border:1px solid red; width:300px}
li{height:40px; margin:5px; background-color:#CCCCCC}
无标题文档
1111111111
22222222222
3333333333333
44444444444
55555555555
[Ctrl+A 全选 注:如需引入外部Js需刷新才能执行]
2021-11-09 19:15:53
17KB
1