基于良率最大化的高效SOC测试程序开发，何晖，，本文将讨论一种针对SOC芯片的低成本测试时间减少解决方案，该方案只是在原有的测试平台（V93K）基础上，改良测试方法和提升测试效��

最大似然波达方向(DOA)估计具有最优的理论性能,但是存在计算量过大的问题。为了降低最大似然DOA估计的计算量,将参数估计转化为高维非线性函数的优化问题,并提出了一种新的优化算法。首先利用波束形成法对空间谱进行预估计并根据空间谱信息构造一组满足"预估分布"的初始解,这组初始解以较大概率落在全局最优解的局部吸引域中。然后将其中适应度最大的一个初始解作为局部搜索的起点。网格爬山法是一种以网格为单元的局部搜索方法,比传统爬山法更加高效和稳定,因此采用该方法获取全局最优解。新算法不仅能够得到精确的参数估计,同时具有较高的计算效率,计算机仿真显示新算法的计算效率高于基于粒子群优化的最大似然DOA估计算法。

maxent-srl 使用最大熵分类器的语义角色标记

cpp代码-任意多边形的最大内切圆算法

应用于多峰值MPPT问题，采用PSO寻找最大功率点，具体实现在S-function中，仿真时建议找一个内存大的电脑用连续仿真，离散在这种仿真时容易出问题。自行读程序只需输入光伏电压电流即可实现，仿真多峰值问题时光伏板注意反并联二极管，输出为占空比，boost、隔离boost都可以使用

本文用一个低压差分信号为例，讲述了如何用Pico示波器的模拟偏置功能将仪器的灵敏度提高到原来的10倍，这意味着将垂直测量分辨率提高了10倍。

论文的Matlab代码： VK Veludandi 和 K. Vasudevan，“SIMO-OFDM 中卷积编码 DQPSK 基于线性预测的数据检测”， CoRR，卷。 abs/1710.02977, 2017. [在线]。 可用的： http://arxiv.org/abs/1710.02977

LabelsView 标签列表控件的使用介绍。 1、引入依赖 在Project的build.gradle在添加以下代码 allprojects { repositories { ... maven { url 'https://jitpack.io' } } } 在Module的build.gradle在添加以下代码 dependencies { implementation 'com.github.donkingliang:LabelsView:1.6.5' } 2、编写布局： <com.donkingliang.labels.LabelsView xmlns:app="http://schemas.android.com/apk/res-auto" android:id="@+id/labels" android:l

matlab中的gompertz代码介绍： 随机多方扰动 (RMP) 允许每个参与者通过非线性函数传递数据并使用参与者特定的随机矩阵将数据投影到较低维度来扰乱他/她的表格数据。 我们基于随机化的方案在两个阶段扰乱数据：第一个非线性阶段阻止贝叶斯估计攻击，而第二个线性阶段阻止独立分量分析攻击。 对于非线性扰动阶段，提出了一种新的非线性函数，称为“重复 Gompertz”函数。 该函数旨在调节受扰数据的 pdf，以保护异常和正常数据记录。 我们的方案是根据其对最大先验（MAP）估计攻击的恢复抵抗力来评估的。 对于异常检测，使用了堆叠去噪自编码器 (DAE)。 自编码器的超参数是根据验证集的最佳性能设置的。 每个数据集中的特征值被归一化为 [0, 1] 并与 5% 的异常记录合并，这些异常记录分布在 [0, 0.05] 或 [0.95, 1] 之间。 异常由自动编码器根据训练记录的输入和输出之间的平均绝对误差 (MAE) 进行识别。 根据三西格玛规则，一种众所周知的异常检测措施，重建误差预计为高斯分布，因此99.73%的误差值预计在阈值\mu(e) + 3\sigma(e ）。 大于阈值的错

为了避免全屏窗口意外最小化，强制把缩小的窗口最大化