描述了一种OFDM系统中的信道估计方法,提高了信道估计的质量，优化了最后的通信性能。

迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集 该存储库包含用于从单个图像计算深度的代码。 它伴随我们的： 迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集RenéRanftl，Katrin Lasinger，David Hafner，Konrad Schindler，Vladlen Koltun MiDaS v2.1在10个数据集（ReDWeb，DIML，电影，MegaDepth，WSVD，TartanAir，HRWSI，ApolloScape，BlendedMVS，IRS）上进行了多目标优化训练。 在5个数据集（本文中的MIX 5 ）上训练过的原始模型可以在找到。 变更日志 [2020年11月]发布了MiDaS v2.1： 经过10个数据集训练的新模型，其度平均比高出 新的轻量级模型可在移动平台上实现。 适用于和示例应用程序 ，可在机器人上轻松部署 [2

使用 EM 算法的 Gamma 混合模型估计。 此代码使用 EM 算法估计遵循 Gamma 分布的有限混合模型的分量。 作者：贡萨洛·维加斯·桑切斯-费雷罗 - - 如何使用它 - - - 语法：[w, alpha, beta] = GMMestimator(y,nl,maxIter,tol_error,flag_pinta,w_0,alpha_0,beta_0) 输入： y - 样本向量nl - 混合成分的数量。 maxIter - 最大迭代次数tol_error - 收敛假设的容差flag_pinta - 显示拟合演变的标志w_0 = 初始权重大小 (1 x nl)。 它们的总和应为 1。（可选） alpha_0 = 每个 Gamma 分量的初始 alpha 参数（大小：1 x nl）（可选） beta_0 = 每个 Gamma 分量的初始 beta 参数（大小：1 x nl）（可

fashionAI 服装关键点检测 ，给定五种类型的服装，采用人体姿态估计的方法检测关键点。最终结果排名24，CPN模型没有复现很好，略遗憾... 0.效果预览 1.模型 模型结合了HourGlass模型和CPN模型，其中HG堆叠了2个，另外在HG上采样过程的1/2大小的特征图上添加了热点图监督标签。 RGB图像送入两个分支网络分别计算，最后concat二者的特征图，具体结构如图所示。 添加了soft-argmax层，可以由热点图转化到具体的坐标值，用坐标值groundtruth监督学习 2.策略 最多只能使用两个不同参数的模型，检测模型也算。通过检测可以提高目标占比，提升效果。 使用第一级预测结果截取目标，为了防止截取不完整，向外扩展30像素，再训练第二级crop模型。 第一级模型testB线上4.17%，crop之后的模型testB线上4.05%，融合之后3.95%. 3.训练与预测细

两种信道估计方法的matlab实现，基于梳妆导频的信道估计和均衡

在本文中，我们提出了一种新的集合角谱（P-AS），用于估计多个声源的到达方向（DOA）。 这种方法使用宽间隔的麦克风阵列以实现高分辨率，并且仅在二维时间边际角频谱（TM-AS）中合并由有源源控制的角度分量。 使用不同数量的源来评估其对空间混叠源和短时源的鲁棒性。仅在几个时间范围内激活源。 实验结果表明，与大多数现有的基于角谱的DOA估计方法相比，该方法更有效，更鲁棒。

Charan Langton编写的教材Estimation>,通俗易懂，不过各章不是一起的。这里是6章。

Charan Langton和她孩子一起编写写的教材Estimation>,通俗易懂，不过各章不是一起的。这里是5章。

Charan Langton和他的孩子一起编写的教材Estimation>,通俗易懂，不过各章不是一起的。这里是1-4章。

水路 比利时WaterLink的水费估算器 大多数人没有意识到有多少水费，也不知道“舒适”的门槛。 一旦您超过此阈值，用水量就会加倍，是的两倍，因此，这台简单的计算机会告诉您，这将花费您多少钱。 重要的是要意识到（并且要考虑到这一点）： 水费每年变化 阈值取决于家庭人数 阈值取决于家庭数量（如果他们共享水表） 我们或WE是要考虑的家庭数。 这是如果您共享一个水表，默认情况下仅为1。 dom或DOM是要考虑的人数（在所有家庭中）。 例如： 如果您独自一人并且不与其他家庭共用水表：我们= 1，dom = 1 如果您是一对夫妇，并且不与其他家庭共用水表：我们= 1，dom = 2 如果您是一家四口，并且不与其他家庭共用水表：我们= 1，dom = 4 如果您是一个四口之家，并且与另一对夫妇的另一户共享水表：we = 2，dom = 6 同样重要的是要意识到，只有在1月1日他们