BS ISO_IEC 23008-2-2015Information technology. High efficiency coding and media HEVC H.265

matlab 编程选择运行仿真代码UWSNs 中的能量效率路由算法 水下无线传感器网络是一个快速成长和发展的领域。 这是因为世界上 70% 的面积都在水中，而且仍未被探索。 UWSN 与普通的地面网络有很大不同。 这是因为环境不同，挑战也随之增加。 这项研究的重点是降低 UWSN 的能耗。 该 UWSN 中的通信是通过使用电池供电的传感器节点完成的，并且难以在水下为这些电池充电。 另外一个困难的挑战是在网络中存在的各个节点之间确定簇头。 该项目研究了有效路由的算法实现，以便有效利用能量来提高效率。 它还使分析方法具有有效的聚类方法，以最大限度地减少能源的使用。 该项目的主要目的是通过减少每次传输和接收数据包期间使用的能源成本来延长水下无线传感器网络的使用寿命。 仿真在Matlab中完成，所附代码可用于未来在水下无线传感器网络领域进行越来越多的优化。 该项目于 2020 年 6 月 17 日在大诺伊达的贝内特大学进行。

本文提出了一种节能（EE）协调多点波束成形（CMBF）方法，该方法基于动态发射功率和静态硬件功率将总功耗降至最低，同时保持必要的服务质量（QoS）约束和不同的协调方案。 考虑到大型多输入多输出（MIMO）系统以及CMBF和小型小区部署，我们从能效（EE）的角度推导了两层异构网络（HetNets）中每个参数的最优值。 我们发现，HetNets的EE对协调方案设计，宏小区和小小区基站天线的数量以及QoS约束敏感。 因此，在系统设计中应考虑所有这些因素。 此外，我们提供了令人鼓舞的分析和仿真结果，表明所提出的HetNets通常提供一种解决方案，以相对较低的复杂性CMBF实现最大的EE性能。

High Efficiency Video Coding Algorithms and Architectures，很多大牛一起写的HEVC书籍

深度学习彻底改变了机器学习和人工智能，在几个标准基准上取得了超人的表现。众所周知，深度学习模型训练效率低;它们通过多次处理数以百万计的训练数据来学习，并且需要强大的计算资源来同时并行处理大量数据，而不是顺序处理。深度学习模型也存在非预期失效模式;他们可能会被愚弄，做出错误的预测。 在本文中，我们研究了提高深度学习模型训练效率和鲁棒性的方法。在学习视觉语义嵌入的背景下，我们发现优先学习更多的信息训练数据可以提高收敛速度和提高测试数据的泛化性能。我们形式化了一个简单的技巧，称为硬负挖掘，作为学习目标函数的修改，没有计算开销。接下来，我们在深度学习的通用优化方法中寻求优化速度的改进。我们展示了对训练数据采样的冗余感知修改提高了训练速度，并开发了一种检测训练信号多样性的有效方法，即梯度聚类。最后，我们研究了深度学习中的对抗鲁棒性，以及在不使用额外数据训练的情况下实现最大对抗鲁棒性的方法。对于线性模型，我们证明保证最大的鲁棒性实现只有通过适当的选择优化器，正则化，或架构。

计算模型与算法技术：2-Fundamentals of the Analysis of Algorithm Efficiency.ppt

加权网络全局和局部效率计算，用于人脑网路研究中网络全局效率及局部效率计算

这项研究是一个示例，说明如何使用Arduino Uno从12-24V DC构建三相230V / 380V

这本《 Arduino快速功率MOSFET驱动器食谱》演示了三种廉价的选项来驱动大型功率MOSFET的快速运行。

我的EMS | | MyEMS介绍 MyEMS是行业领先的开源能源管理系统，利用云计算，物联网，大数据，人工智能等信息化技术构建而成。团队开发维护，系统代码基于MIT开放软件许可协议发布。 MyEMS架构 MyEMS组件（社区版） MyEMS项目由以下组件构成： MyEMS Web应用 参考获取更多信息。 MyEMS管理面板 参考获取更多信息。 MyEMS数据库 参考获取更多信息。 MyEMS数据清洗服务 参考获取更多信息。 MyEMS数据规范化服务 参考获取更多信息。 MyEMS数据汇总服务 参考获取更多信息。 MyEMS数据接口API 参考获取更多信息。 MyEMS MQTT数据发布服务（从MyEMS转发到第三方） 获取更多信息。 MyEMS BACnet / IP数据采集服务 参考获取更多信息。 MyEMS Modbus TCP数据采集服务 参考获取更多信息。 MyEMS截图 功