亚洲欧美第一页_禁久久精品乱码_粉嫩av一区二区三区免费野_久草精品视频

蟲蟲首頁| 資源下載| 資源專輯| 精品軟件
登錄| 注冊

ML-KNN

  • 4x4 BLAST;MIMO ML outputs

     19.2 Mbps 4x4 BLAST&MIMO detector with soft ML outputs。純英文論文,外國文獻

    標簽: 論文 方法 MIMO BLAST

    上傳時間: 2015-04-21

    上傳用戶:asdf20

  • 機器學習knn分類器

    python語言設計的 用于·機器學習knn手寫數字分類器

    標簽: 機器學習

    上傳時間: 2015-12-02

    上傳用戶:1757834394

  • kNN測試程序

    C語言編寫分類算法kNN的測試程序,便于對kNN分類算法的理解

    標簽: 分類算法

    上傳時間: 2016-03-12

    上傳用戶:785976102

  • KNN matlab

    KNN 改進 多核 譚鐵牛 說明詳細 根據接收論文改寫

    標簽: PR matlab KNN

    上傳時間: 2016-04-07

    上傳用戶:zhxhao

  • KNN分類器

    KNN分類器,K近鄰分類器,matlab版的

    標簽: KNN 分類器

    上傳時間: 2016-06-14

    上傳用戶:xiaoweithu

  • ML信噪比估計算法

    ML信噪比估計算法;無線通信算法;MATLAB

    標簽: 信噪比 估計算法

    上傳時間: 2016-06-25

    上傳用戶:jmsbowen

  • ML-EC3使用手冊

    本文件為ML-EC3的使用手冊,手冊詳細接受了C8051仿真器ML-EC3的驅動方法,以及只用過程中的注意事項

    標簽: ML-EC 使用手冊

    上傳時間: 2016-06-30

    上傳用戶:arm_uclinux

  • knn職業預測

    基于knn的職業預測用 KNN(k-nearst neighbors,KNN)作為機器學習算法中的一種非常基本的算法,其原理比較簡單直接,被廣泛應用于電影/音樂推薦等方面, KNN算法主要用于分類任務中,用于基于新樣本與已有樣本的距離來為其賦以所屬的類別,即使用一個新樣本k個近鄰的信息來對該無標記的樣本進行分類,k是KNN中最基本的參數,表示任意數目的近鄰,在k確定后,KNN算法還依賴于一個帶標注的訓練集,對沒有分類的測試集中的樣本進行分類,KNN確定訓練集中與該新樣本“距離”最近的k個訓練集樣本,并將新樣本類別判定到這k個近鄰中占比最大的那個類中。

    標簽: knn職業預測

    上傳時間: 2020-07-08

    上傳用戶:

  • 物聯網中基于KNN和BP神經網絡預測模型的研究

    該文檔為物聯網中基于KNN和BP神經網絡預測模型的研究簡介文檔,是一份很不錯的參考資料,具有較高參考價值,感興趣的可以下載看看………………

    標簽: 物聯網

    上傳時間: 2021-11-17

    上傳用戶:

  • 基于數據符號同步的FPGA仿真實現

    近年來,人們對無線數據和多媒體業務的需求迅猛增加,促進了寬帶無線通信新技術的發展和應用。正交頻分復用 (Orthogonal Frequency Division Multiolexing,OFDM)技術已經廣泛應用于各種高速寬帶無線通信系統中。然而 OFDM 系統相比單載波系統更容易受到頻偏和時偏的影響,因此如何有效地消除頻偏和時偏,實現系統的時頻同步是 OFDM 系統中非常關鍵的技術。 本文討論了非同步對 OFDM 系統的影響,分析了當前用于 OFDM 系統中基于數據符號的同步算法,并簡單介紹非基于數據符號同步技術。基于數據符號的同步技術通過加入訓練符號或導頻等附加信息,并利用導頻或訓練符號的相關性實現時頻同步。此算法由于加入了附加信息,降低了帶寬利用率,但同步精度相對較高,同步捕獲時間較短。 隨著電子芯片技術的快速發展,電子設計自動化 (Electronic DesignAutomation,EDA) 技術和可編程邏輯芯片 (FPGA/CPLD) 的應用越來越受到大家的重視,為此文中對 EDA 技術和 Altera 公司制造的 FPGA 芯片的原理和結構特點進行了闡述,還介紹了在相關軟件平臺進行開發的系統流程。 論文在對基于數據符號三種算法進行較詳細的分析和研究的基礎上,尤其改進了基于導頻符號的同步算法之后,利用 Altera 公司的 FPGA 芯片EP1S25F102015 在 OuartusⅡ5.0 工具平臺上實現了 OFDM 同步的硬件設計,然后進行了軟件仿真。其中對基于導頻符號同步的改進算法硬件設計過程了進行了詳細闡述。不僅如此,對于基于 PN 序列幀的同步算法和基于循環前綴 (Cycle Prefix,CP) 的極大似然 (Maximam Likelihood,ML)估計同步算法也有具體的仿真實現。 最后,文章還對它們進行了比較,基于導頻符號同步設計的同步精度比較高,但是耗費芯片的資源多,另一個缺點是沒有頻偏估計,因此運用受到一定限制。基于 PN 序列幀的同步設計使用了最少的芯片資源,但要提取 PN 序列中的信號數據有一定困難。基于循環前綴的同步設計占用了芯片 I/O 腳稍顯多。這幾種同步算法各有優缺點,但可以根據不同的信道環境選用它們。

    標簽: FPGA 數據 同步的 仿真實現

    上傳時間: 2013-04-24

    上傳用戶:斷點PPpp

主站蜘蛛池模板: 南郑县| 梅州市| 陵川县| 和龙市| 平阳县| 通海县| 安泽县| 金门县| 乐昌市| 宁蒗| 疏勒县| 玛曲县| 民丰县| 崇信县| 原阳县| 安塞县| 凌海市| 潼南县| 香河县| 三门县| 木里| 铁岭县| 通山县| 西林县| 揭东县| 荥经县| 新丰县| 文昌市| 博兴县| 上高县| 土默特右旗| 合江县| 固始县| 达拉特旗| 天祝| 崇明县| 富宁县| 隆尧县| 长海县| 修水县| 石屏县|