基于空间尺度的模糊核估计，用于盲运动去模糊

用Verilog写的串口自适应的程序，可以适应在110，300，600，900，1200，2400，4800，9600，1440，19200，15600，115200等多种串口模式下实现通信，其中包括波特率发生模块，端口波特率侦测模块，老外写的，值得借鉴

为了进一步改善非线性功率放大器系统的线性度,提出了一种基于BP神经网络逆向建模的离线训练自适应预失真方法。利用BP神经网络对功放逆向建模,并将建立好的逆模型参数作为预失真器模型初值。为了提高在初始预失真系统中预失真器的线性化效果及系统自适应进程的速度,在建立自适应预失真系统之前,利用BP逆向模型对预失真器进行离线训练。最后采用直接结构和最小均方(LMS)算法调节神经网络预失真器的权值,以消除放大器非线性的扰动。仿真结果显示,此方案可使邻道互调功率降低约18 dB,而经典的直接—非直接结构只降低了8 dB,表明此预失真方案能够更好地改善功率放大器的线性度。

卡尔曼滤波与状态估计例题python实现 关于卡尔曼滤波的原理这里就不赘述了，很多大佬说的很棒，这里就把网课上看到的例题在这里做一下 巩固一下 卡尔曼滤波的两个步骤 预测更新（Predict): 预测状态量： x^=(t∣t−1)=A~x(t−1)+Bu(t)\hat x=(t|t-1)=\widetilde{A}x(t-1)+Bu(t)x^=(t∣t−1)=Ax(t−1)+Bu(t) 预测误差协方差矩阵： P(t∣t−1)=AP(t−1)AT+QP(t|t-1)=AP(t-1)A^T+QP(t∣t−1)=AP(t−1)AT+Q 测量更新（Correct）: 最优估计状态量： x~(t)=x^

这是一个检查运动的代码程序，大家看看。欢迎帮忙改进

SGM算法在KITTI2015数据集上测评结果 开发环境：python=3.6、numpy=1.19.5、opencv-python=4.5.5.64 操作系统：Ubuntu20.04LTS 处理器：Intel(R) Core(TM) i7-9700 CPU @ 3.00GHz 实验记录： 1、WTA、SSD策略，disparity=190，radius=3，视差<=3精度：0.5611，运行时间：7.4344s 2、WTA、SSD策略，disparity=64，radius=3，视差<=3精度：0.5611，运行时间：2.7495s 3、SGM、SSD策略，disparity=64，radius=3，视差<=3精度：0.8161，运行时间：22.7137s 4、SGM、NCC策略，disparity=64，radius=3，视差<=3精度：0.8119，运行时间：28.0640s 5、SGM、SAD策略，disparity=64，radius=3，视差<=3精度：0.6681，运行时间：22.3349

matlab_宽带信号DOA估计 Wideband signal DOA estimation, matlab source code

会议论文的MATLAB代码： MK Naik 和 R. Panda，“一种用于基于人脸识别的内在判别分析的新型自适应布谷鸟搜索算法”，Applied Soft Computing，Vol。 38，第 661-675 页，2016 年。 与 CS 算法相比，ACS 算法需要更少的时间。 除了布谷鸟/主机的数量、搜索范围和放弃概率之外，它不需要预定义的参数。 该算法对于决定参数可能会影响性能的应用是有效的。

网站源码，仅供演示学习使用，涉及商业使用请与商家联系。 ★安装环境要求★ 服务器：Windows / Linux +Apache / IIS / Nginx PHP：7.1 - 8.0 MYSQL：5.6 - 8.0 主机配置推荐： Linux+Apache+php8.0+mysql8.0 1、请将源码上传到网站根目录 2、直接运行：http://您的域名 安装即可！(建议把public设置为运行目录，更安全！) 3、填写数据库地址、名称、账号、密码，设置管理员账号及密码 4、提示安装完成后即可进入网站后台：http://您的域名/index.php/admin 5、修改完资料，后台清空缓存，前台自动更新！ 6、人人站系统安全设置建议：https://www.rrzcms.com/newsinfo/5118.html

matlab如何敲代码自适应合作PSO Matlab的自适应协同粒子群优化算法（ACPSO）算法。 抽象的 介绍了一种自适应合作粒子群优化器（ACPSO），它通过学习自动机（LA）算法为合作技术提供了便利。 ACPSO的合作学习策略可以协同优化问题，并在不同情况下对其进行评估。 在ACPSO算法中，与问题的维度相关联的一组学习自动机正试图找到搜索空间的相关变量，并智能地优化问题。 ACPSO的这种集体行为将完成群体成员自适应选择的任务。 对四种类型的基准测试服进行了仿真，这些基准测试服除了一组新的主动坐标旋转测试功能外，还包含三个最新的数值优化基准功能。 结果证明了ACPSO在寻找搜索空间相关变量方面的学习能力，并描述了ACPSO如何有效地优化了坐标旋转多峰问题，合成函数和高维多峰问题。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh”，“应用情报”，2013年，第1卷。 39号2，第397-420页。