IS-95前向链路MATLAB仿真，具体内容有：卷积编码、信号加扰、块交织、正交复用、正交扩频、基带滤波、信道设计、接收发射机的设计。最后通过误码率来说明这个系统的好坏
上传时间： 2017-05-22
上传用户：天晴没有眼泪
#include "iostream" using namespace std; class Matrix { private: double** A; //矩阵A double *b; //向量b public: int size; Matrix(int ); ~Matrix(); friend double* Dooli(Matrix& ); void Input(); void Disp(); }; Matrix::Matrix(int x) { size=x; //为向量b分配空间并初始化为0 b=new double [x]; for(int j=0;j<x;j++) b[j]=0; //为向量A分配空间并初始化为0 A=new double* [x]; for(int i=0;i<x;i++) A[i]=new double [x]; for(int m=0;m<x;m++) for(int n=0;n<x;n++) A[m][n]=0; } Matrix::~Matrix() { cout<<"正在析构中~~~~"<<endl; delete b; for(int i=0;i<size;i++) delete A[i]; delete A; } void Matrix::Disp() { for(int i=0;i<size;i++) { for(int j=0;j<size;j++) cout<<A[i][j]<<" "; cout<<endl; } } void Matrix::Input() { cout<<"请输入A:"<<endl; for(int i=0;i<size;i++) for(int j=0;j<size;j++){ cout<<"第"<<i+1<<"行"<<"第"<<j+1<<"列:"<<endl; cin>>A[i][j]; } cout<<"请输入b:"<<endl; for(int j=0;j<size;j++){ cout<<"第"<<j+1<<"个:"<<endl; cin>>b[j]; } } double* Dooli(Matrix& A) { double *Xn=new double [A.size]; Matrix L(A.size),U(A.size); //分别求得U，L的第一行与第一列 for(int i=0;i<A.size;i++) U.A[0][i]=A.A[0][i]; for(int j=1;j<A.size;j++) L.A[j][0]=A.A[j][0]/U.A[0][0]; //分别求得U，L的第r行，第r列 double temp1=0,temp2=0; for(int r=1;r<A.size;r++){ //U for(int i=r;i<A.size;i++){ for(int k=0;k<r-1;k++) temp1=temp1+L.A[r][k]*U.A[k][i]; U.A[r][i]=A.A[r][i]-temp1; } //L for(int i=r+1;i<A.size;i++){ for(int k=0;k<r-1;k++) temp2=temp2+L.A[i][k]*U.A[k][r]; L.A[i][r]=(A.A[i][r]-temp2)/U.A[r][r]; } } cout<<"计算U得:"<<endl; U.Disp(); cout<<"计算L的:"<<endl; L.Disp(); double *Y=new double [A.size]; Y[0]=A.b[0]; for(int i=1;i<A.size;i++ ){ double temp3=0; for(int k=0;k<i-1;k++) temp3=temp3+L.A[i][k]*Y[k]; Y[i]=A.b[i]-temp3; } Xn[A.size-1]=Y[A.size-1]/U.A[A.size-1][A.size-1]; for(int i=A.size-1;i>=0;i--){ double temp4=0; for(int k=i+1;k<A.size;k++) temp4=temp4+U.A[i][k]*Xn[k]; Xn[i]=(Y[i]-temp4)/U.A[i][i]; } return Xn; } int main() { Matrix B(4); B.Input(); double *X; X=Dooli(B); cout<<"~~~~解得:"<<endl; for(int i=0;i<B.size;i++) cout<<"X["<<i<<"]:"<<X[i]<<" "; cout<<endl<<"呵呵呵呵呵"; return 0; }
标签： 道理特分解法
上传时间： 2018-05-20
上传用户：Aa123456789
卷积神经网络（cnn）的matlab实现
上传时间： 2019-04-28
上传用户：与可12138
基于matlab实现卷积神经网络的图像识别，对于初学者很有帮助，代码齐全
上传时间： 2019-04-28
上传用户：与可12138
改压缩文件包含车牌数据集，车牌识别的python程序代码，使用CNN卷积网络实现
上传时间： 2019-06-28
上传用户：WSRY5220
交织与解交织，内部附实验报告，也可以仿真，卷积交织
标签： fpga
上传时间： 2020-05-30
上传用户：151562
人工智能结课作业（A星八数码/广度优先/深度优先/粒子群寻优算法/遗传算法/蚁群算法/BP神经网络/卷积神经网络）
标签： 人工智能
上传时间： 2021-10-20
上传用户：recarry
这是我在做大学教授期间推荐给我学生的一本书，非常好，适合入门学习。《python深度学习》由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱（François Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，包括计算机视觉、自然语言处理、产生式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。作者在github公布了代码，代码几乎囊括了本书所有知识点。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。但是有一个小小的遗憾：代码的解释和注释是全英文的，即使英文水平较好的朋友看起来也很吃力。本人认为，这本书和代码是初学者入门深度学习及Keras最好的工具。作者在github公布了代码，本人参照书本，对全部代码做了中文解释和注释，并下载了代码所需要的一些数据集（尤其是“猫狗大战”数据集），并对其中一些图像进行了本地化，代码全部测试通过。（请按照文件顺序运行，代码前后有部分关联）。以下代码包含了全书约80%左右的知识点，代码目录：2.1: A first look at a neural network（ 初识神经网络）3.5: Classifying movie reviews（电影评论分类：二分类问题）3.6: Classifying newswires（新闻分类：多分类问题 ）3.7: Predicting house prices（预测房价：回归问题）4.4: Underfitting and overfitting（ 过拟合与欠拟合）5.1: Introduction to convnets（卷积神经网络简介）5.2: Using convnets with small datasets（在小型数据集上从头开始训练一个卷积网络）5.3: Using a pre-trained convnet（使用预训练的卷积神经网络）5.4: Visualizing what convnets learn（卷积神经网络的可视化）
上传时间： 2022-01-30
上传用户：
论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页摘要 实现猪体温测量自动化有利于实时监测猪的健康状况、母猪发情和排卵检测等 生理健康状况。本文采用红外热成像仪采集猪的红外热图像，引入化学计量学建模 方法建立体表温度、环境温度与直肠温度间的多元校正模型，同时提出两种关键测 温部位的自动检测方法。主要结论总结如下： (1)建立了母猪体表温度、环境温度与母猪体温之间的一元和多元线性回归模型。研 究发现， 9个身体区域提取的体表温度与直肠温度呈正相关(产O．34～0．68)，其中， 基于耳根区域体表温度平均值建立的一元回归方程效果最优，预测集相关系数RP与 均方根误差RMSEP分别为0．66和0．420C。全特征模型相比一元线性回归方程有更 好的预测效果，RP和RMSEP分别为0．76和O．370C。此外，应用特征选择方法LARS． Lasso确定了7个重要特征建立简化模型，其校正集和预测集的R分别为0．80和 0．80，RMSEs分别为0．30和0．350C。 (2)将卷积神经网络应用于生猪主要测温部位(眼睛和耳朵区域)的直接分割。利用 python构建了四种不同结构的卷积神经网络模型FCN一1 6s、FCN．8s、U．Net一3和U． Net．4。对比分析4种卷积神经网络模型的性能，结果表明U-Net．4网络结构的分割 效果最优，平均区域重合度最高为78．75％。然而，当计算设备的计算力不够时，可 以选用U．Net一3模型以达到较好的分割效果。 (3)提出猪只眼睛及耳根区域关键点的识别方法，将猪只主要测温部位的检测问题 转变为主要测温部位的定位问题。设计具有不同深度的卷积神经网络架构A．E，得 出架构E最优。且当Dropout概率设置为0．6时模型效果最好，验证集平均误差和 预测集平均误差分别为1．96％和2．65％。测试集单张猪脸关键点的预测误差小于5％ 和10％的比例分别为89．5％和97．4％。模型能够很好的定位猪脸关键点，用于猪只 体温测量。 本文采用红外热像仪测量母猪体表温度，通过化学计量学建模为非接触母猪直 肠温度测量提供了更准确、可靠的方法，同时提出两种关键测温部位的自动检测方 法，有助于实现母猪体温测量自动化，为生猪健康管理提供参考。
标签： 红外热成像技术
上传时间： 2022-02-13
上传用户：jiabin
网上较为热传的陈爱军老师的《深入浅出通信原理》，附件内容是通信人家园连载版的共562页最全的。纸质的书也看过了，内容比这个要少，可能作者出于避免技术争议的考虑吧。陈老师在华为做通信研发20余年，该连载内容是多年理论联系实践加个人总结的结晶，大大不同于高校教授的讲课风格，直接从最容易理解的本质入手，大道至简，开篇就从两个多项式相乘得出频域卷积定义的本质含义，令人豁然开朗，可以说有点明心见性，直指人心的教学方法了。傅里叶级数的本质也是从三维空间不同频率螺旋旋转的波形在三维空间的线性叠加一语点破，是不可多得的信号与系统、数字信号处理、通信原理学习的好书，特意推荐给大家。 当然前提是要有高等数学的基础、以及信号与系统、数字信号处理及电路分析的基础，可以相互参照穿插学习。前面也是清华人写的《通信之道-从微积分到5G》写的也不错，还有更早的《大话无线通信》等，但是广度和深度和这本书相比还是有差距的。
标签： 通信原理
上传时间： 2022-04-21
上传用户：
