三重态SemiHardLoss PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！ 对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。 在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。 MNIST上的结果 我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。 阶段1 首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。 阶段2 最后，解冻所有层，经过足够的训练和超参数调整

SaVi-模拟Starlink，Iridium，Globalstar，O3b，GPS，Galileo和其他卫星星座，对其进行修改或设计自己的星座。 需要Tcl / Tk和Unix库； 3D查看选项要求Geomview在X Window上运行。

Constellation diagram 星座图解析

本文提出了一种在不连续的正交频分复用（NC-OFDM）系统中抑制旁瓣的新方法。 与传统方法不同，旁瓣是通过迭代调整接近所用边缘的子载波的星座点来抑制的 带宽。 选择对应于最大旁瓣抑制的星座点进行传输。 仿真结果表明，该算法在旁瓣抑制方面具有良好的性能提高，并且对峰均功率比（PAPR）的影响不大。

Constellation QAM algorithm.zip

代码中描述了用星座图扩展法（Active Constellation Extension，ACE）降低OFDM时域信号的PAPR，ACE的具体算法是凸集映射（Projection Onto Convex Sets，POCS）.编程语言:MATLAB

APSK调制方式的格雷映射 2011年12月份的ieee文献