码字个数、阶和天线端口数之间的关系; LTE物理层几个基本概念的定义和相互关系

深入学习复杂系统、符号动力学的一个良好课件

#bonemapy ABAQUS插件可将CT扫描的骨骼特性映射到3D有限元骨骼/植入物模型。 这通常用于将异质材料属性应用于骨骼模型​​。 与和一起开发，以提供用于准备和后处理骨骼/植入物计算机模型的工具。 版权所有2013，Michael Hogg（ ） MIT许可证-有关使用和重新分发的详细信息，请参阅LICENSE.txt 要求 软件需求 ABAQUS> = 6.11 pydicom> = 0.9.7 笔记： ABAQUS是商业软件包，需要的许可 骨图的作者与ABAQUS / Simulia无关 bonemapy使用内置在ABAQUS中的Python和numpy。 ABAQUS（v6.11-v6.13）的最后几个发行版均使用Python 2.6.x和numpy 1.4.x 模型设置要求 模型必须仅包含四面体元素。 支持所有3D应力四面体元素（ABAQUS元素类型C3D

VB upnp端口映射，注：运行本程序需要：1.需要路由器支持，2.须开启Upnp发现服务 SSDP Discovery Service。 　　格式：mappingPorts.Add 外部端口,方式(UDP/TCP/ALL),内部端口,本机Ip地址,启动,映射名称标记.

MinecraftInjectionAPI 一个使用MCP去模糊映射的简单API，可帮助您在运行时注入mod。 使用此库，您可以在运行时将代码注入Minecraft！ 您可以编写一个程序，在Minecraft（Vanilla）启动之后执行此操作，但是您也可以使用它从任何其他上下文（例如Labymod / 5zigMod插件，Forge，Liteloader）插入Minecraft方法。 为了处理混淆的Minecraft环境，该库包含一个反射包装，该反射包装可自动下载MCP去模糊映射，并通过使用其对应的MCP名称为您提供对Minecraft类的反射访问。 Maven： < reposit

1控制器 1个模块，支持所有游戏控制器。 关于： 该模块旨在成为控制器的多合一模块。 它添加了.kl文件来修复许多游戏控制器上的按键绑定。 兼容性： 双重冲击2 双重冲击3 双重冲击4 双重感 Xbox 360 Xbox One Xbox One S 切换Pro Controller ??? （尚未测试） Nacon REVOLUTION PRO控制器 Zeemote SteelSeries免费 已知的问题： 带蓝牙的Dualshock 4出现高延迟（似乎是控制器本身的问题）。 在MIUI 10设备上不起作用。 学分： 用于提供DS4键盘布局。 帮助提供了DS4映射。 提供了许多修复和更改。 用于CleanRom（GPD XD +）的Pro控制器键盘布局的 。 于DualShock 2键盘布局的MattMasc。 变更日志： 1.0：初始GitHub版本。

CDLS-S04-006其他元数据到基本元数据的映射规则.pdf

比特精灵端口映射工具UPnP(局域网用)

视频图matlab代码KITTI数据集上的InEKF本地化和语义映射 这是我们针对EECS 568：移动机器人：方法和算法的最终项目git存储库。 我们的项目是在KITTI数据集上的InEKF本地化和语义映射。 您可以观看我们的程序的最终演示视频，该程序是使用KITTI本地化和构建地图的。 您可以找到我们的最终报告。 这些说明将为您提供在本地计算机上运行的项目的副本。 左InEKF本地化 点击查看完整视频 先决条件 的MATLAB 由于我们的代码是用MATLAB编写的，因此您可以在任何OS平台上运行我们的程序。 运行本地化程序 首先，您需要使用我们的左不变EKF生成轨迹。 为此，请编辑InEKF_Main.m第5行，以将其输入输入数据集文件夹名称。 例如，对于数据集0009 ，代码行应如下所示： filename = '2011_09_26_drive_0079_sync'; 之后，只需运行InEKF_Main.m ，它将在SE3中的姿势保存为.txt文件中的12乘1矢量。 文件的名称将是“ poses.txt”附加的数据集的名称。 例如，由文件夹2011_09_26_drive_00

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。