1985年出版的电力系统经典专著，不容错过。

为了提高利用深度神经网络预测单图像深度信息的精确度，提出了一种采用自监督卷积神经网络进行单图像深度估计的方法。首先，该方法通过在编解码结构中引入残差结构、密集连接结构和跳跃连接等方式改进了单图像深度估计卷积神经网络，改善了网络的学习效率和性能，加快了网络的收敛速度;其次，通过结合灰度相似性、视差平滑和左右视差匹配等损失度量设计了一种更有效的损失函数，有效地降低了图像光照因素影响，遏制了图像深度的不连续性，并能保证左右视差的一致性，从而提高深度估计的鲁棒性;最后，采用立体图像作为训练数据，无需标深度监督信息，实现了端到端的单幅图像深度估计。在 Tensorflow框架下，用KIT和 Cityscapes数据集进行实验结果表明，与目前的主流方法相比，该方法在预测深度的精确度方面有较大提升，拥有更好的深度预测性能。

多目标，PHD状态估计matlab仿真代码

永磁同步电机无感FOC模型参考自适应（MRAS）转速估计算法simulink仿真模型，模型参考自适应（MRAS）原理、分析及模型搭建说明： 永磁同步电机无感FOC模型参考自适应（MRAS）转速估计算法：https://blog.csdn.net/qq_28149763/article/details/137650453?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22137650453%22%2C%22source%22%3A%22qq_28149763%22%7D

[ML] Pytorch自学实战项目其4：基于学习（RNN）算法的车辆状态估计：训练模型，推理代码，数据源

通过matlab程序实现，基于光流法的运动估计，可以对图像进行预测

1、比较了传统信道估计算法LS、MMSE的OFDM信道估计的性能。 2、MATLAB搭建了FC-DNN信道估计框架，参见《Power of Deep Learning for Channel Estimation and Signal Detection in OFDM Systems》。 3、所有程序均带有注释，便于理解。 4、两个文件夹，采用不同阶的调制方式，4阶和8阶。QPSK。 5、程序完全用Matlab实现。

1.包括广义互相关时延估计GCC几种加权方式（Roth加权、SCOT加权、PHAT加权、ML加权）的详细代码（MATLAB） 2.代码有很详细的注释，很有参考价值，每一种加权方法都有详细的代码 3.希望能帮助大家更好的理解广义互相关时延估计

基于随机传感器位置的深度学习DOA估计

基于无线传感网络的气体泄漏源定位在环境监测、安全防护和污染控制等多个领域具有重要意义。提出一种基于分布式最小均方差(D-MMSE)序贯估计的气体泄漏源定位算法。其通过构建一个包含节点之间信息增益与网络能量消耗两方面参数的信息融合目标函数,并对目标函数寻优实现路由节点的调度与选择。所选节点在其测量值和前节点估计值并通过与邻居节点信息交互的基础上完成气体泄漏源位置参数估计量及其方差的更新与传递。为了降低网络能耗,邻居节点集的选择半径随估计量方差做动态调整。仿真分析表明所提算法对比单节点序贯估计定位算法在一定的