（1）高斯谱模型 高斯谱的表达式如下所示： 2 3 ( ) exp( ( ) )d dB f f W f a f    (5-16) 其中， a为一个常数，它的取值为 1.665，以使得 3 ( / 2) 0.5 dB W f  ； d f 是杂波的中 心频率，代表了杂波的平均多普勒频率，也可以理解为杂波的平均速度； 3dB f 为 两个半功率点之间的频率带宽。在进行地杂波相关模型建立时，我们一般把 0 f 取 为 0， 3dB f 约为风速的 3%。 公式（5-16）也可以表示成如下形式： 2 2 ( ) exp[ ( ) / 2 ] d c W f f f    (5-17) 2 c  表示地杂波频率分布的均方根值，它与散射体速度分布的均方根值 v  有如下的 关系 2 v c     。 （2） n次方谱模型 n次方功率谱的表达式如下所示： 3 1 ( ) 1 ( / ) n dB W f f f   (5-18) 其中， n为正整数，取值范围在 2-5 之间， 3n  即为立方谱， 2n  即为平方谱。 3dB f 为两个半功率点之间的频率带宽，杂波谱方差 3 1.33exp(0.2634 ) dB f v ， v 为 风速。 杂波的功率谱特性通常与环境、杂波的性质等因素相关。在本文中我们主要 考虑的是在地面雷达背景下的杂波模型建立，而该雷达的典型杂波环境有草地、 灌木、树林、庄稼地等。因而我们采用高斯谱这种典型杂波谱模型进行建模仿真。 地杂波功率谱如图 5-2 所示。 对于高斯分布的杂波谱，影响谱峰高度和杂波谱宽度的一个主要因素就是高 斯分布的方差，也就是公式（5-18）中的 3dB f ， 3dB f 越小，杂波谱越集中，谱峰高 度越高。

icon 颜色盘

使用emplant的一个代码，描述的是混流系统的物料配送

Tecnomatix Plant Simulation 8.1

kaggle-Plant-Pathology:竞赛

植物病害分类 使用图像数据和神经网络对植物病害进行分类 该存储库包含用于训练几个深度卷积神经网络（CNN）的代码和相关分析，以识别14种作物物种和26种疾病。 使用在受控条件下收集并由PlantVillage项目提供的54306张患病和健康植物叶片图像的公共数据集对模型进行了训练。 评估了三种不同的方法来提高Mohanty等人报告的基线准确性。 在研究论文“将深度学习用于基于图像的植物病害检测”中，其中CNN模型也用于使用相同的数据集对植物病害进行分类。 研究的三种方法是“转移学习”，“单图像超分辨率”和“层次结构超类学习”，所有这些方法都集中于此数据集或图像分类问题所特有的特定组件。 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├─

PlantSimulation中文帮助文档，该文档基于PlantSimulation 最新版本V2021，欢迎大家下载浏览。同时也可以进【QQ交流群964485532】进行技术交流学习最新知识和实战技巧。

Stock Transfer between Storage Locations of the Same Plant

人工智能-项目实践-植物分类-基于SVM的Plant Seedlings Classification植物分类 基于SIFT特征、颜色特征、HOG特征的SVM分类模型，使用的是传统的特征提取和机器学习的方法。未涉及神经网络等深度学习方法 本模型在Kaggle平台提交后可以达到0.9的Score

Tecnomatix+Plant+Simulation+Modeling+and+Programm英文教程