本文提出了一种超宽带蝶形天线，该天线通过利用微带巴伦和带有背衬空腔的负载在超高频（UHF）下工作。 通过将两个折叠的元件连接到Boetie偶极子的贴片，可以实现天线的紧凑尺寸。 所提出的天线具有从到的工作带宽（相对带宽高于108.5％），这足以表明VSWR的工作带宽小于2。 所提出的天线还提供稳定的峰值增益，单向辐射方向图，小体积和超宽带。

计算机视觉的实验，Python写的代码，萌新代码，勿喷，仅仅只是方便没时间写实验的朋友，直接用python打开就能运行

使用词袋模型（bow）和svm对字符图片实现多分类

基于opencv的SVM与BoW的图片分类，适合入门学习，亲测可用

textclassify 利用bow（词袋特征）、tfidf、word2vec进行中文文本分类 下图为部分数据集 第一列为分类标签，第二列为文本数据，是关于七类文学作品的简介 requirements gensim sklearn bow accuracy=0.918533,precision=0.918528,recall=0.918533,f1=0.918515 tfidf accuracy = 0.931081, precision = 0.931091, recall = 0.931081, f1 = 0.931071 word2vec accuracy = 0.573359, precision = 0.565731, recall = 0.573359, f1 = 0.567236

bow词袋代码，包括k-mean，knn，sift

做物体识别方面的 可以看下这个论文 应用了流行的BOW模型

毕设做bow模型时，按照matlab版本写的c++代码

NLP之相似语句识别--特征工程篇:bow+tfidf+svd+fuzzywuzzy+word2vec-附件资源

图像矩阵matlab代码弓检索 基于颜色直方图的BOW算法。 中文教程： 个人网站： 介绍 一种基于词袋模型的颜色直方图图像检索方法。 如何使用 只需将存储库克隆到您自己的计算机上，然后在Matlab中运行它即可。 按照顺序运行.m程序。 方法 步骤1。 提取功能 将RGB分量转换为YUV分量 为所有图像保存1536 * 64矩阵 第2步。 选择功能 将图片分成几个8 * 8的块，并将每个8 * 8的块平铺为1 * 64的向量 选择一个比率，然后选择一些1 * 64向量进行聚类。 第三步。 簇 使用Kmeans对要素进行聚类。 第四步。 分类 将原始功能划分为特定的类。 生成每个图像的频率直方图。 第五步。 计算距离 计算每两个图像之间的距离。 对距离矩阵进行排序。 步骤6。 取回 使用图像进行测试。 计算Presicion-Recall值。 如何贡献 分叉存储库 创建分支 提交您的代码 创建请求请求