提出了一种应用于开关电容流水线模数转换器的CMOS预放大锁存比较器。比较器采用了交叉耦合负载、PMOS/NMOS比例优化和电容中和技术。该结构大幅提高了比较器的速度并有效抑制了回馈噪声，减小了失调电压，可以作为Flash ADC应用于高精度开关电容流水线ADC。

识别异常值所在的单元块（找到异常值） 去除异常值前后的比较箱线图，叠加之前和之后的直方图，去除后的箱线图和转向直方图。 还可以找到去除异常值之前和之后的平均值。 无删减数据集发生。

doa算法比较，对传统和改进的算法提出和使用范围做对比

8CM液晶驱动资料，包含HL9576，PCF8578,BU97950等等，比较全的。

FBMC 和 OFDM 的主要区别在于原型滤波器的选择。 这样OFDM使用矩形窗口滤波器，FBMC使用基于奈奎斯特脉冲整形原理设计的原型滤波器，可以大大减少OFDM的频谱泄漏问题。 这导致 ISI 和 ICI 可以忽略不计。

该文档提出了一种应用于开关电容流水线模数转换器的CMoS预运放一锁存比较 器．该比较器采用UMC混合／射频0．18um 1P6M P衬底双阱CMOS工艺设计，工作电压为 1．8 V．该比较器的灵敏度为0．215 mV，最大失调电压为12 mV，差分输入动态范围为1．8 V，分辨率为8位，在40 M的工作频率下，功耗仅为24．4 mW．基于0．18 um工艺的仿真结 果验证了比较器设计的有效性．

CycleGAN_ssim 该项目是项目的扩展。 实现和训练有素的周期一致剖成对抗性网络（CycleGAN）如在所描述的具有不同的，具体地SSIM损失，损耗L1，L2损失和它们的组合，以产生更好的视觉质量的图像。 图1：CycleGAN工作 对于CycleGAN实现与L1损失是指。 对于官方CycleGAN执行读取。 先决条件 Python 3.3以上 Tensorflow 1.6+ 枕头（PIL） （可选） 用法 训练模型： > python train_cycleGAN_loss.py --data_path monet2photo --input_fname_pattern .jpg --model_dir cycleGAN_model --loss_type l1 data_path：具有trainA和trainB文件夹的目录的路径（具有这些特定名称（trainA，tra

设计了一种全差分动态比较器。比较器是前置放大器与动态锁存器组成的开关电容电路。在四相互不交叠时钟控制下，前置放大器完成对输入信号采样、放大，高增益提高了比较器的精度，采用正反馈结构提高了比较器的速度。文中分析了引起失调的原因，结合版图给出了减小失调的方法。分析和模拟结果表明比较器输入动态范围为2V，失调电压降低到3.5mV，达到了8 bit 精度要求，同时实现了0.48mW的功耗。

MATLAB小波软硬阈值去噪代码图像去噪 本项目对5级AWGN（加性高斯白噪声）失真的自然和合成图像应用不同的图像降噪方法，并就数量和质量方面不同方法的结果进行比较评估。 程序用法 在Matlab的“代码”文件夹中打开“ Test.m”脚本。 运行“ Test.m”脚本。 参数设定 对于小波方法，将同时测试硬过滤器和软过滤器。 在将小波与其他方法进行比较时，我们选择Biorthogonal 3.5作为小波滤波器。 DWT级别设置为3。 对于BM3D，sigma值设置为25。 对于空间过滤器，内核大小设置为5x5。 对于逆谐波均值滤波器，正和负Q参数分别设置为1.5和-1.5。 评估指标 对于定量分析，评估指标包括著名的PSNR以及Nikolay Ponomarenko等提出的PSNR-HVS-M。消费电子产品的视频处理和质量指标VPQM-07，美国亚利桑那州斯科茨代尔，2007年1月25日至26日，第4页）。 对于定性分析，我们在视觉上观察降噪后的图像，以便对其视觉质量进行主观评估。 定量评估结果 测试了10种降噪方法，其定量结果如下所示： 方法 自然影像PSNR 自然影像PSNR-H

可用来对比两个代码不一致的地方。 用来比较两个数据库表结构不同的地方。 比较数据文件不同的地方。 对文件夹下的资讯比对不一样的地方。