嵌入式职场-CSDN博客

原创【Go 科学计算】自定义绘图函数（必看）

import ("fmt""log"// 折线图// x 变量，y 变量if len(x)!= len(y) {fmt.Println("x 与 y 维度不一致")returnfor i := 0;i < len(x);= nil {panic(err)// 保存图表err!= nil {// AppointVarChart 任意fmt.Println("logo 与 data 数据大小不一致")returnfor i := 0;i++ {

2024-04-25 11:14:19 2

原创【Go 科学计算】绘制带误差线的点与条形图

来处理可能的错误，这意味着如果在图表绘制过程中出现了错误，程序将会终止并打印错误信息。运行该程序将生成一个包含误差线和原始数据点的图表，并保存为名为。用于创建包含误差线的图表并保存为 PNG 图像。包来进行图表绘制和数据处理。需要注意的是，代码中使用了。的 PNG 图像文件。

2024-04-25 09:29:48 2

原创【nRF】第4篇剖析GPIO 通用 API

Zephyr 中的一些通用 API 具有特定于 API 的结构，其中包含前面提到的设备指针以及有关设备的一些其他信息。该结构具有设备指针、设备上的引脚号和设备的配置标志。该端口是控制引脚的 GPIO 设备。在大多数 Nordic SoC 上，都有一个或两个 GPIO 控制器，名为 GPIO0 或 GPIO1。，它提供了用户友好的函数来与 GPIO 外设交互。这种特定于 API 的结构的优点在于，它将使用设备所需的所有信息封装在单个变量中，而不必从设备树中逐行提取它。，其中包含设备指针以及引脚号和配置标志。

2024-04-25 09:24:52 168

原创【Go 科学计算】绘制折线图（自定义刻度线、样式设置）

该程序将生成一个 4x4 英寸大小的 PNG 图像文件，显示了三条曲线，每条曲线由 15 个随机生成的点组成。用于生成随机的 x、y 坐标点，其中 x 坐标在每个点上是递增的，而 y 坐标则是随机生成的。用于生成随机数据并将其绘制成线性图。包来进行绘图操作，以及。

2024-04-25 09:08:02 4

原创【Go】第12篇希望保证每次接收到数据时使用的是同一个结构体实例

如果你希望保证每次接收到数据时使用的是同一个结构体实例，而不是每次都创建一个新的实例，你可以将结构体实例声明为全局变量，或者使用单例模式来确保全局唯一性。，并在程序启动时初始化。这样，每次接收到消息时都会使用同一个全局的算法实例。结构体实例声明为全局变量。

2024-04-24 11:08:00 3

原创【UWB】第8篇详解DW3000中的dwt_setcallbacks 函数

当TX、RX或SPI错误事件发生时，将调用这些回调函数，并调用dwt_isr（）来处理这些事件（有关事件和相关回调函数的更多详细信息，请参阅下面的dwt_is（）描述）。在接收数据时，如果超过了预定的时间却没有接收到完整的数据帧，就会触发超时，此时可以执行相应的超时处理逻辑。SPI（串行外设接口）是一种常见的外设通信接口，此回调可以用于处理SPI通信时出现的错误情况。: 当接收操作出现错误时，将调用此回调函数。函数用于设置一系列回调函数，以便在特定的事件发生时执行相应的操作。分别表示不同类型的回调函数。

2024-04-23 08:12:12 10

原创【UWB】第7篇基于STM32开发板的TOF多基站多信标无限

链接：https://pan.baidu.com/s/1tswphFWTq4X7mp76WDMnVA?

2024-04-22 20:05:24 8

原创【UWB】第6篇基于载波相位的到达角估计和定位方法

1、基于载波相位的到达角估计和定位方法利用UWB的载波相位测量功能，结合阵列天线和阵列信号处理技术，可以获取到达信号的角度信息，从而进行终端位置的估计，实现定位功能。

2024-04-22 18:37:48 5

原创【UWB】第5篇 UWB超宽带芯片厂商/方案商汇总

DW3000芯片组具有良好的可集成性，可以方便地集成到各种设备中，如传感器、标签、无人机等。DW3000芯片组具有高精度的定位能力，能够实现厘米级别的定位精度。这使其在需要高精度定位的应用场景中具有广泛的应用前景，如工业自动化、智能交通、物联网等领域。DW3000芯片组采用了低功耗设计，能够在保持高精度定位的同时，实现较低的能耗。DW3000芯片组广泛应用于室内定位、室外定位、物联网、智能交通、工业自动化等领域，为这些领域的应用提供了高精度、低功耗的定位解决方案。

2024-04-22 14:32:07 6

原创【UWB】第4篇 UWB定位系统中常见的通信机制简介

UWB定位系统中常见的通信机制可以分为三大类：基于时间的获取方式，比如常见的TDOA定位；基于信号强度的获取方式比如常见RSSI信号值模型；基于信号到达角度的获取方式比如比较新颖的AOA角度定位、PDOA定位等。目前UWB定位这块，普遍商用的多是基于时间的通信机制方式。UWB定位系统中常见的通信机制分三大类：基于时间获取方式，常见的TDOA定位；基于信号强度的获取方式比如常见RSSI信号值模型；基于信号到达角的获取方式比如比较新颖的AOA角度定位、PDOA定位等。第一类：基于时间的通信机制。

2024-04-22 14:26:04 7

原创【UWB】第3篇三边测量法的原理与计算方法

UWB（Ultra-Wideband）定位系统的三边定位算法是一种常用的定位方法，它利用三个或更多的已知位置的锚点（anchor）和一个未知位置的目标节点（tag）之间的距离测量来确定目标节点的位置。由于各个节点的硬件和功耗不尽相同，所测出的距离不可能是理想值，从而导致上面的三个圆未必刚好交于一点，在实际中，肯定是相交于一个小区域，因此利用此方法计算出来的(X , Y)坐标值存在一定的误差。：根据距离测量结果，将目标节点与三个锚点之间的距离作为三角形的三条边，构建出一个或多个可能的三角形。

2024-04-22 11:53:03 4

原创解决 This license xxx has been suspended（必看项）

解决 This license xxx has been suspended。

2024-04-17 09:44:47 715

原创【Go】第11篇使用绝对路径或相对路径来指定文件的位置

函数获取当前工作目录。然后，你可以将相对路径与当前工作目录连接起来，以获得文件的完整路径。这段代码将会获取当前工作目录并在其基础上构建文件的完整路径，然后使用该路径读取文件的内容。在 Go 中，可以使用。

2024-04-15 10:55:46 13

原创【nRF】第3篇详解设备树与设备驱动模型

我们将研究 nRF Connect SDK 中如何描述硬件，无论是开发套件 (DK)、片上系统 (SoC)、封装系统 (SiP) 还是模块。应用程序和硬件之间的交互是通过称为设备驱动程序的软件完成的，我们将解释 nRF Connect SDK 中使用的设备驱动程序模型。我们将使用通用输入/输出 (GPIO) 硬件外设和驱动程序作为案例研究。

2024-04-13 16:08:51 982

原创【nRF】第2篇构建第一个 nRF Connect SDK 应用程序

nRF Connect SDK 的众多优点之一是应用程序源代码和软件配置/硬件描述之间的高度解耦，使得切换新硬件或软件配置的构建变得非常容易。VS Code 会询问您是否要在同一个 VS Code 实例中打开应用程序或打开一个新的 VS Code 实例。将向您展示来自 nRF Connect SDK 中不同模块的所有模板“示例”，并使您能够基于模板创建应用程序。如果在模板中找到这些不同的配置，则会在模板文档中进行说明。“Blinky 示例”模板，将其存储在您指定的应用程序目录中，并将。

2024-04-13 15:35:30 738

原创【nRF】第1篇 nRF Connect SDK 简介

Zephyr RTOS 具有高度可配置性，可实现从内存受限设备的极小配置（例如，简单的 LED 闪烁应用程序，最小 8 KB）到功能强大、功能丰富、高处理能力的设备（多个 MB 内存）的可扩展配置。该SDK提供了丰富的软件组件和工具，使开发者能够轻松构建各种类型的应用，包括蓝牙（Bluetooth）连接、低功耗无线（Low Energy Wireless）、Thread、Zigbee等。它提供了一个可扩展的框架，用于为内存受限的设备构建尺寸优化的软件，并为更先进的设备和应用程序构建强大而复杂的软件。

2024-04-13 14:56:16 1287

原创【Go】第10篇两个整数相除时，希望得到浮点数结果

在 Go 中，当两个整数相除时，结果会根据操作数的类型而有所不同。如果操作数都是整数类型，那么除法运算的结果也将是整数类型。这意味着小数部分会被截断，只保留整数部分。如果你希望得到浮点数结果，至少有一个操作数必须是浮点数类型。中至少有一个操作数是浮点数类型，所以结果会保留小数部分。是两个整数相除的结果，因此结果会被截断为整数。

2024-04-11 10:21:12 18

原创【Go】第9篇将浮点数转换为字符串，并保留两位小数

要将浮点数转换为字符串，并保留两位小数，可以将格式设置为。然后，你可以将这个字符串转换为。

2024-04-10 14:21:10 20

原创【Go】第8篇实现将固定大小的二维数组传递给函数，函数内部对数组的修改将反映在函数外部

如果你要将固定大小的二维数组传递给函数，并且希望在函数内部修改其值，你可以传递数组的指针。这样，在函数内部对数组的修改将反映在函数外部。来访问传递进来的数组，并修改其值。最后，我们打印修改后的数组，你会看到外部的数组也已经被修改了。函数修改为接受指向二维数组的指针。在函数内部，我们使用。在这个示例中，我们将。

2024-04-10 11:18:45 164

原创【Go】第7篇传递一个切片给函数，实际上传递的是切片的引用

在 Go 语言中，切片（slice）是引用类型，当你传递一个切片给函数时，实际上传递的是切片的引用，而不是切片的副本。因此，如果在函数内部修改了切片的值，那么外部传递的切片也会受到影响。后，打印修改后的外部数组时，你会发现外部数组的值也被修改了。这说明切片的修改是原址进行的，因此外部的二维数组会受到影响。函数内部修改了传递进来的切片的值。在这个例子中，我们在。

2024-04-10 11:13:52 12

原创【Go】第6篇计算一个数的平方

函数来计算 5 的平方，并将结果打印出来。类型的参数，返回第一个参数的第二个参数次幂的值。函数来计算一个数的平方。在 Go 中，你可以使用。在这个示例中，我们使用了。

2024-04-10 09:38:13 17

原创【Go】第5篇使用自定义类型和常量值来模拟枚举

在 Go 语言中，虽然没有像其他语言（如 C#、Java、Python）中的枚举类型，但是可以通过一些方法实现类似的功能。常见的做法包括使用const和iota组合创建一组常量，或者使用自定义类型和常量值来模拟枚举。以下是使用const和iota// 定义一个枚举类型const (// 使用 iota 自增生成常量值MondayTuesdayWednesdayThursdayFridaySaturday// 使用枚举常量fmt.Println(Sunday) // 输出: 0。

2024-04-09 16:41:37 133 1

原创【Go】第4篇打印当前函数的名称

需要注意的是，这种方法获取的函数名称可能包含包路径信息。如果你只想获取函数名称而不包含包路径信息，你可以通过处理字符串来进行截取。在 Go 语言中，要打印当前函数的名称，你可以使用。函数来获取当前函数名，并将其打印出来。的函数来获取当前函数的名称。包来获取调用栈信息。

2024-04-09 15:40:13 114

原创【Go】第3篇使用 mat.NewDense 函数初始化一个零矩阵

函数的第三个参数是一个切片，用于设置矩阵的元素值。通过将该切片设置为长度为 0 的空切片，你可以创建一个零矩阵。创建了一个3x3的矩阵。函数初始化一个零矩阵。，并将第三个参数设置为。，表示创建一个零矩阵。

2024-04-07 15:29:33 20 1

原创【Go】第2篇 gonum把矩阵打印出矩阵的形式输出

函数，它可以将矩阵格式化为字符串。打印格式化后的字符串，即矩阵形式的输出。来指定前缀和格式化选项。要以矩阵形式打印出矩阵，你可以使用。格式化为字符串，并使用。

2024-04-07 15:22:12 17

原创【Go】第1篇分析阻止应用程序退出方式 — 使用信号（signal）

通道，从而触发程序中相应的处理逻辑。这种方式通常用于实现优雅的退出机制，让程序能够在接收到特定信号时进行清理操作并正确退出。这段代码的作用是监听指定的操作系统信号，并在接收到信号时进行相应的处理，通常用于优雅地关闭服务或执行其他必要的清理工作。函数将指定的操作系统信号（SIGHUP、SIGINT、SIGTERM、SIGQUIT）发送到通道。中接收信号，该行代码会阻塞程序直到接收到信号。: 创建了一个用于接收操作系统信号的通道。当程序收到这些信号时，它会将信号发送到。

2024-04-03 16:26:12 119

原创【LINGO】下料问题

model:title 搜索合理的下料方式;!用一根原料可下各需求长度的最多根数定义元素个数，最多为4，这里要定义5;!有三种需求长度，定义三维数组;搜索所有满足过滤条件的i,j,k;!一种下料方式下料长度和不超过总长度;#and#!合理模式的余料小于最短需求;!输出下料方式到文本文件renxinglong.txt，我们需要的数是0--4;enddataend。

2024-04-02 22:22:01 26

原创【LINGO】生产决策问题

model:title 生产决策问题;!目标函数;!A原料约束;!B原料约束;END这是一个简单的线性规划生产决策问题模型，其中包含了一个目标函数和两个约束条件。下面对模型中的各部分进行解释：目标函数部分（[maxf]max=2x1+3目标函数是要最大化的表达式，其中包含了三个决策变量 x1、x2 和 x3，并且每个变量前面分别有系数 2、3 和 1。该目标函数的意义是要最大化生产的效益，其中不同产品的贡献不同。约束条件 [A] 表示原料A的使用量必须小于等于7单位：2x3

2024-04-02 22:16:21 24

原创【LINGO】阶段生产问题模型

该模型的目标是在满足每个月的需求的前提下，尽量降低总的生产成本。通过求解该线性规划模型，可以得到最优的生产计划，即每个月应该生产的产品数量，以及对应的生产成本。这是一个生产计划的线性规划模型，用于确定在不同月份生产不同数量的产品，以满足每个月的需求，并尽量减少生产成本。

2024-04-02 22:06:06 215

原创【QML】解决qml项目打包后程序运行不起来（亲测有效）

发现打包完成之后，程序不能正常运行！

2024-03-29 17:11:31 36

原创【VM】VMware Workstation PRO_v17.0.0 安装教学（亲测有效）

链接：https://pan.baidu.com/s/1u0F2mKfSyY4OizlpC1U3xw?

2024-03-29 09:41:36 231

原创【Python】解决 ERROR: Exception:Traceback (most recent call last):（亲测有效）

1、遇到问题2、问题解决

2024-03-25 11:01:26 405

原创【keil】解决Error: CreateProcess failed, Command: ‘C:\Keil_v5\ARM\ARMCC\bin\fromelf.exe --bin -o ..\o

目录1、遇到问题2、问题分析推测只需将C:\Keil_v5\ARM\ARMCC\bin\fromelf.exe更改为本人电脑上相应目录即可。再次编译，成功。

2024-03-25 10:03:45 510

原创【STM32】Keil5 快捷键使用教程

目录Keil5 快捷键使用教程

2024-03-11 09:29:00 404

原创【STM32】keil5手动添加 Pack 包（在线导入方式，不建议使用）

下载的Device Family Pack文件（通常是.pack文件）并导入到Keil中。步骤建立在你会创建项目的基础上，不创建项目这一步是做不了的。可以看到，创建成功！

2024-03-08 16:32:44 1685

原创【STM32】STM32 ST-LINK Utility

STM32 ST-LINK Utility是STMicroelectronics提供的用于STM32微控制器的官方调试和编程工具。该工具通常与ST-LINK系列仿真调试器一起使用，用于将编译好的程序下载到STM32芯片上，进行调试和烧录操作。使用ST-LINK Utility需要连接ST-LINK仿真调试器和目标STM32芯片，然后在软件中选择相应的操作，如选择文件、下载、调试等。ST-LINK Utility提供了直观的用户界面，使得用户可以方便地进行调试和烧录操作。

2024-03-08 15:37:58 549

原创【Qt】演示如何将 “FF FE FF FF“ 拆分成每个十六进制数

来拆分一个包含十六进制字符串的字符串。最后，我们遍历拆分后的每个十六进制数，并输出它们。在这个示例中，我们首先定义了一个包含十六进制字符串的。表示匹配一个或多个空白字符，

2024-03-08 14:21:33 57

原创详解x86与x64

总的来说，x86 和 x64 架构之间最大的区别在于寻址空间的大小和相应的处理器能力，而且随着技术的发展，x64 架构已经取代了传统的 x86 架构，成为当前计算机系统的主流架构之一。在实际应用中，x64 架构已经成为主流，许多现代操作系统和软件都是针对 x64 架构进行优化的。x64 架构能够更好地支持大内存应用、多任务处理以及更复杂的计算需求。x86 和 x64 都是基于英特尔（Intel）的处理器架构，它们之间的主要区别在于寻址空间和处理器能力的不同。

2024-03-08 14:18:01 704

原创【Qt网络】获取本地主机的多个网络接口的IP地址

【Qt】获取本地主机的多个网络接口的IP地址。

2024-03-08 13:58:42 41

原创【Qt】Qt实现UDP通信（UDP发送端和接收端的实现）

在这个示例中，通过创建一个MainWindow类来实现UDP通信的发送端和接收端功能。发送端通过点击按钮发送数据，接收端监听指定端口并处理接收到的数据。记得将对应的信号与槽连接起来，以确保数据能够正确发送和接收。

2024-03-08 13:51:34 122

使用PSO的固定特征选择

固定特征选择是指从给定的特征集中选择一部分特征，以提高模型性能和降低计算成本。PSO（Particle Swarm Optimization，粒子群优化算法）是一种基于群体智能的全局优化算法，可以用于固定特征选择问题。下面是使用PSO进行固定特征选择的一般步骤：定义目标函数：首先需要明确固定特征选择的优化目标，比如最大化分类精度、最小化误差等。目标函数应该能够根据给定的特征子集对模型性能进行评估。初始化粒子群：随机生成一组粒子，每个粒子代表一个解（特征子集），并赋予其随机的位置和速度。更新粒子位置和速度：根据当前位置和速度，使用PSO的公式更新粒子的位置和速度。位置表示特征子集，速度表示特征子集的搜索方向和距离。评估粒子适应度：根据目标函数，计算每个粒子的适应度值。适应度值反映了特征子集对目标函数的优劣程度。更新全局最优解和个体最优解：根据粒子的适应度值，更新全局最优解（群体中最好的解）和每个粒子的个体最优解（该粒子自身的最好解）。重复迭代：重复执行步骤3-5，直到满足停止准则（如达到最大迭代次数）为止。返回最优解：根据最终得到的全局最优解，可以将其作为固定的特征集合，用于后续的模型构建和评估。

2023-12-27

使用SA和ACO的固定特征选择

固定特征选择是指从给定的特征集中选择一部分特征，以提高模型性能和降低计算成本。SA（Simulated Annealing，模拟退火算法）和ACO（Ant Colony Optimization，蚁群优化算法）是常用的启发式优化算法，可以用于固定特征选择问题。下面是使用SA和ACO进行固定特征选择的一般步骤：定义目标函数：首先需要明确固定特征选择的优化目标，比如最大化分类精度、最小化误差等。目标函数应该能够根据给定的特征子集对模型性能进行评估。初始化特征子集：随机选择一个初始的特征子集作为候选解。 SA中的搜索策略：邻域生成：通过添加或删除一个特征来生成新的邻域解。接受准则：根据目标函数值和当前温度，决定是否接受邻域解。通常采用Metropolis准则，即如果邻域解更优，则接受；否则，按一定概率接受劣解，以便于跳出局部最优解。 ACO中的搜索策略：信息素更新：在每次迭代中，根据目标函数值更新特征之间的信息素。优秀的特征子集会释放更多的信息素。蚂蚁行为：每只蚂蚁根据信息素和启发式信息（比如特征重要性）选择下一个特征，并更新当前的特征子集。重复搜索：重复执行SA

2023-12-27

使用GA的二进制特征选择

遗传算法（Genetic Algorithm，GA）是一种基于自然选择和遗传机制的优化算法，常被用于解决组合优化问题，如特征选择。在二进制特征选择中，每个候选特征子集都可以用一个二进制编码来表示，其中每一位对应一个特征是否被选中。以下是使用GA进行二进制特征选择的一般步骤：编码：将特征选择问题转化为一个二进制编码的优化问题。假设有N个特征，可以用一个N位的二进制串来表示一个特征子集，其中每一位表示对应的特征是否被选中（1表示选中，0表示未选中）。初始化种群：随机生成一定数量的二进制串作为初始种群。这些二进制串代表了不同的特征子集。适应度函数：定义一个适应度函数来评估每个特征子集的好坏。这个适应度函数通常是根据某种性能指标（如分类准确率、回归误差等）来计算的，可以通过训练模型并在验证集上进行评估来得到。选择：使用选择操作（如轮盘赌选择、竞赛选择等）根据每个特征子集的适应度值来选择父代。适应度值高的特征子集被选中的概率更大。交叉：对选出的父代进行交叉操作，生成新的特征子集作为下一代种群的一部分。交叉操作可以使用单点交叉、多点交叉等方式。变异：对新生成的特征子集进行变

2023-12-27

数据处理分组法 (GMDH) 在 MATLAB 中的实现

使用现有的工具包：MATLAB提供了许多优秀的工具包和函数，其中一些可能包含了GMDH算法的实现。您可以搜索MATLAB的工具箱或者第三方工具包，看是否有现成的GMDH算法可供使用。如果找到了合适的工具包，您可以按照相应的文档和示例来使用其中的函数来实现GMDH。自己编写代码：如果没有现成的工具包可用，您也可以自己编写MATLAB代码来实现GMDH算法。以下是一个简单的步骤来实现GMDH算法：数据准备：将您的数据导入MATLAB，并做好必要的预处理工作，如归一化、标准化等。建立模型结构：根据GMDH算法的原理，需要逐步建立模型结构，逐层进行特征选择和模型训练。您可以使用MATLAB中的矩阵运算和循环结构来逐步构建模型。特征选择：在每一层，使用适当的特征选择方法，如逐步回归、信息增益等，来选择最重要的特征。模型训练：对于每一层选定的特征，训练相应的模型，如线性回归模型、多项式回归模型等。模型评估：使用交叉验证等方法来评估模型的性能，并选择最佳的模型结构。模型集成：将各个层级得到的模型进行集成，得到最终的GMDH模型。

2023-12-27

使用遗传算法和粒子群算法实现训练ANFIS

ANFIS（Adaptive Neuro-Fuzzy Inference System）是一种结合了模糊逻辑和神经网络技术的自适应系统，可以应用于各种复杂的非线性问题。使用遗传算法和粒子群算法来训练ANFIS模型，可以提高模型的性能和准确性。以下是使用遗传算法和粒子群算法训练ANFIS模型的基本描述：建立ANFIS模型：根据具体的问题和数据集，建立一个ANFIS模型。ANFIS模型由输入层、隐含层和输出层组成，其中隐含层通常采用高斯或者三角波形函数。定义目标函数：根据具体的问题和目标，定义一个目标函数来评估ANFIS模型的性能。例如，可以使用均方根误差（RMSE）或者平均绝对误差（MAE）等指标来衡量模型的预测能力。选择遗传算法或粒子群算法：选择适当的优化算法来训练ANFIS模型。遗传算法和粒子群算法是两种常用的优化算法，它们都可以用于训练ANFIS模型。初始化种群：对于遗传算法，初始时随机生成一定数量的个体，每个个体表示一个可能的解；对于粒子群算法，初始时随机生成一定数量的粒子，每个粒子表示一个可能的解。评估适应度：对于每个个体或粒子，计算其目标函数值作为适应度值

2023-12-27

在 MATLAB 和 Simulink 中实现 PID 控制器模糊增益调度

模糊控制器设计：首先，使用模糊逻辑工具箱（Fuzzy Logic Toolbox）来设计模糊控制器。根据系统的特性和需求，定义输入变量和输出变量，并设置模糊集、隶属函数和规则库等。 PID控制器设计：使用Control System Toolbox中的PID控制器设计方法来设计一个基本的PID控制器。设置控制器的比例增益、积分时间和微分时间等参数。模糊增益调度：将模糊控制器与PID控制器相结合，实现模糊增益调度。通过使用模糊控制器的输出作为PID控制器的增益参数，实现根据系统状态动态调整PID控制器增益的功能。 MATLAB代码实现：在MATLAB中，您可以编写脚本或函数来实现PID控制器的模糊增益调度。使用Fuzzy Logic Toolbox提供的函数来构建模糊控制器，并使用Control System Toolbox提供的函数来构建PID控制器。然后，将两者结合起来，并在每个采样周期内根据系统状态计算PID控制器的增益。 Simulink建模：在Simulink中，建立一个控制系统模型。使用Fuzzy Logic Controller和PID Controller这两个

2023-12-27

使用ANFIS的非线性回归

ANFIS（Adaptive Neuro-Fuzzy Inference System）是一种灵活的非线性回归方法，可以用于建立输入变量与输出变量之间的复杂非线性关系模型。下面是使用ANFIS进行非线性回归的一般步骤：数据准备：首先需要准备训练数据集和测试数据集。训练数据集应包含一组已知的输入值和对应的输出值，用于训练ANFIS模型；测试数据集用于验证模型的预测能力。确定输入变量：根据问题的特点和已有的领域知识，选择合适的输入变量。在ANFIS中，通常使用模糊集合的概念来描述输入变量的隶属度函数。确定输出变量：确定需要预测的输出变量，并选择相应的模糊集合描述其隶属度函数。构建模型：根据上述确定的输入和输出变量，构建ANFIS模型。ANFIS模型通常由一组规则和对应的隶属度函数、规则权重和输出变量的线性组合构成。模型训练：使用训练数据集训练ANFIS模型，通过反向传播算法调整隶属度函数和规则权重等参数。模型评估：使用测试数据集评估模型的预测能力，可以采用R2、MSE等指标来衡量模型的精度和预测效果。模型应用：将训练好的ANFIS模型应用到实际问题中，进行预测。

2023-12-27

二进制遗传算法python实现

二进制遗传算法（Binary Genetic Algorithm）是一种启发式搜索算法，用于解决优化问题。与传统的遗传算法相比，二进制遗传算法适用于解决决策变量为二进制编码的优化问题。以下是二进制遗传算法的基本描述：初始化种群：初始时，随机生成一定数量的二进制编码的个体（也称为染色体），这些个体组成了种群。确定适应度函数：针对具体的优化问题，需要定义一个适应度函数来评价每个个体的优劣。适应度函数通常根据问题的特性来定义，例如在投资组合优化中可以是收益、风险和相关性等指标的组合。选择操作：通过轮盘赌选择、竞赛选择等方式，根据个体的适应度值选择父代个体用于繁殖下一代。交叉操作：选定一定的交叉概率，对选出的父代个体进行交叉操作，生成新的个体作为下一代种群的一部分。变异操作：选定一定的变异概率，对新生成的个体进行变异操作，以增加种群的多样性。评估适应度：对新生成的个体，计算其适应度值。

2023-12-27

实数编码遗传算法（Real-coded Genetic Algorithm）

实数编码遗传算法（Real-coded Genetic Algorithm）是一种启发式搜索算法，用于解决优化问题。与二进制遗传算法不同，实数编码遗传算法适用于解决决策变量为实数的优化问题。以下是实数编码遗传算法的基本描述：初始化种群：初始时，随机生成一定数量的个体（也称为染色体），每个个体由一组实数值（决策变量）构成，这些个体组成了种群。确定适应度函数：根据具体的优化问题，定义一个适应度函数来评估每个个体的优劣程度。适应度函数通常基于问题的特性和优化目标来定义。选择操作：使用选择算子（如轮盘赌选择、竞赛选择等），根据个体的适应度值选择父代个体用于繁殖下一代。交叉操作：选定一定的交叉概率，对选出的父代个体进行交叉操作，生成新的个体作为下一代种群的一部分。在实数编码遗传算法中，可以使用一些常见的交叉方式，如单点交叉、多点交叉、均匀交叉等。变异操作：选定一定的变异概率，对新生成的个体进行变异操作，以增加种群的多样性。在实数编码遗传算法中，可以使用一些常见的变异方式，如高斯变异、多项式变异等。评估适应度：对新生成的个体，计算其适应度值。替换操作：根据适应度值，选择

2023-12-27

二进制遗传算法（Binary Genetic Algorithm）

2023-12-27

使用SPEA2进行投资组合优化（圣诞节）

SPEA2（Strength Pareto Evolutionary Algorithm 2，强度帕累托进化算法2）是一种多目标优化算法，可用于投资组合优化问题。与传统的单目标优化算法不同，SPEA2可以同时考虑多个目标，并找到一组非劣解（帕累托前沿），以提供多样化的投资组合选择。以下是使用SPEA2进行投资组合优化的基本描述：定义目标函数：确定投资组合优化的目标，如最大化收益、最小化风险、最大化夏普比率等。这些目标函数需要根据具体需求进行定义和量化。确定决策变量：选择投资标的以及其相应的权重作为决策变量。例如，假设有N个投资标的，那么每个标的的权重可以表示为一个取值范围在[0, 1]之间的实数。初始化种群：生成初始的投资组合种群，其中每个个体代表一个可能的投资组合。可以使用随机生成的方式或者其他启发式方法来初始化种群。计算适应度值：对于每个个体，根据定义的目标函数计算其适应度值。适应度值反映了个体在多个目标上的优劣程度。生成非劣解集合：使用SPEA2算法中的强度函数来评估个体的竞争力，并根据其强度值和拥挤度进行排序和选择。通过选择非劣解集合，保留具有较高适应度

2023-12-27

使用NSGA-II的投资组合优化

NSGA-II（Non-dominated Sorting Genetic Algorithm II）是一种多目标优化算法，通常用于解决具有多个相互竞争的优化目标的问题，比如投资组合优化。下面是使用NSGA-II进行投资组合优化的一般步骤：定义目标函数：在投资组合优化问题中，可以将收益最大化和风险最小化作为两个主要的优化目标。同时，还可以考虑其他目标，比如流动性、成本等。这些目标构成了多目标优化问题的目标函数。设计编码方案：将投资组合编码成遗传算法中的染色体。通常可以使用二进制编码、浮点数编码或者基于整数的编码方案来表示投资组合中各项资产的权重。初始化种群：随机生成一定数量的个体（代表投资组合），作为NSGA-II算法的初始种群。评估适应度：计算每个个体的适应度值，即根据目标函数计算个体在各个目标下的表现。在投资组合优化中，适应度值通常与收益率、风险指标等有关。选择操作：利用非支配排序和拥挤度距离计算等技术，执行选择操作，从当前种群中选择出适应度较好的个体，形成新一代种群。交叉和突变：对选择出的个体执行交叉和突变操作，生成新的个体，以增加种群的多样性。

2023-12-27

使用ICA的投资组合优化

ICA（Independent Component Analysis，独立成分分析）是一种信号处理技术，广泛应用于许多领域，包括投资组合优化。在投资组合优化中，ICA可以用于解决资产收益率之间的相关性问题。通常情况下，投资标的的收益率是相互关联的，而ICA可以通过将这些收益率转换为独立的成分，找到更加独立和无关的投资因子。 ICA的基本思想是假设观测信号是由一组相互独立的信号成分线性混合而成。通过对混合信号进行逆变换，可以分离出原始信号的独立成分。在投资组合优化中，可以将观测信号看作是投资标的的收益率时间序列，而独立成分则代表了不同的投资因子。利用ICA进行投资组合优化的步骤如下：收集投资标的的历史收益率数据。对收益率数据进行预处理，如去除缺失值、标准化等。使用ICA算法对预处理后的收益率数据进行分解，得到独立成分。对独立成分进行分析和解释，识别出具有独立投资意义的因子。根据识别的因子，构建新的投资组合权重分配方式。根据新的权重分配方式，计算投资组合的预期收益和风险指标。通过迭代优化或其他方法，调整权重分配，以达到投资组合优化的目标。

2023-12-27

使用PSO的投资组合优化

PSO（Particle Swarm Optimization，粒子群优化）是一种基于群体智能的优化算法，灵感来源于鸟群或鱼群等生物群体的群体行为。PSO算法通常用于解决优化问题，如投资组合优化。在投资组合优化中，我们希望找到一组投资标的的权重分配，以最大化投资组合的收益或者最小化风险。PSO算法可以用来寻找这样的最优权重分配。 PSO的基本原理是模拟鸟群中鸟的行为。在算法中，解空间中的每个潜在解被称为“粒子”，而这些粒子被认为在解空间中搜索。每个粒子都有自己的位置和速度，并且根据其个体经验和群体经验进行调整。粒子的移动受到个体最优和全局最优解的吸引力影响。在投资组合优化中，可以将每个粒子看作一个可能的投资组合，其位置表示了不同资产的权重分配，而粒子的适应度则表示了该投资组合的好坏程度。粒子根据个体最优和全局最优的信息来调整自己的位置和速度，以便在解空间中搜索出最优的投资组合。通过不断迭代更新粒子的位置和速度，PSO算法可以逐步优化投资组合的权重分配，从而找到一个较优的投资组合方案，以达到投资组合优化的目标，如最大化收益或最小化风险。

2023-12-27

使用经典方法进行投资组合优化

经典的投资组合优化方法主要包括以下几个步骤：收集数据：首先需要收集历史的金融市场数据，包括股票、债券、商品等各种资产的价格和收益率等信息。选择优化目标：在投资组合优化中，通常会选择最大化预期收益或最小化风险作为优化目标。同时，也可以考虑将两者进行平衡，以达到更好的综合效果。构建有效前沿：根据历史数据，可以使用现代投资组合理论中的方差-协方差模型来计算各种资产的预期收益率、风险和协方差矩阵等指标。然后，可以使用MATLAB等工具构建出有效前沿（efficient frontier）图形，用于表示各种资产之间的关系。选择合适的投资组合：在有效前沿图形上，可以选择最优的投资组合，其具有最高的预期收益率或最小的风险。同时，还需要注意到所选择的投资组合是否符合个人的投资目标和风险承受能力。维护投资组合：投资组合优化是一个动态的过程，需要不断地跟踪市场的变化和资产的表现，以及不断地调整投资组合的权重。需要注意的是，经典的投资组合优化方法可能存在一些局限性，例如对历史数据的依赖性较强，无法考虑到非线性关系和不确定因素等。因此，在实际应用中，还需要结合机器学习、人工智能等技术，

2023-12-27

校园帮项目，毕业设计/课程设计/javaWeb/SSM

校园帮项目校园即时服务平台登录、公告管理（发布公告、停用公告）、任务管理（下架任务、删除任务）、用户管理（用户充值、限制用户）、修改密码注册、登录、公告中心、任务管理（发布任务、接受任务、完成任务）、个人中心（查看个人信息、修改个人信息、充值管理）、修改密码、评价管理（评价任务、查看评价）

2023-03-26

最接近原生APP体验的高性能前端框架（电商）

最接近原生APP体验的高性能前端框架轻量追求性能体验，是我们开始启动MUI项目的首要目标，轻量必然是重要特征； MUI不依赖任何第三方JS库，压缩后的JS和CSS文件仅有100+K和60+K 原生UI 鉴于之前的很多前端框架（特别是响应式布局的框架），UI控件看起来太像网页，没有原生感觉，因此追求原生UI感觉也是我们的重要目标 MUI以iOS平台UI为基础，补充部分Android平台特有的UI控件流畅体验下拉刷新为实现下拉刷新功能，大多H5框架都是通过DIV模拟下拉回弹动画，在低端android手机上， DIV动画经常出现卡顿现象（特别是图文列表的情况）； mui通过双webview解决这个DIV的拖动流畅度问题；拖动时，拖动的不是div，而是一个完整的webview（子webview），回弹动画使用原生动画

2023-03-26

基于AdaBoost算法的情感分析研究

一、使用微博应用获取微博文本二、 SVM初步分类(svm_temp.py) 三、利用贝叶斯定理进行情感分析四、利用AdaBoost加强分类器

2023-03-26

灰色预测模型 GM（1,1）

系统：由客观世界中相同或相似的事物和因素按一定的秩序相互关联、相互制约而成一个整体. 白色系统:具有充足的信息量，其发展变化的规律明显、定量描述方便、结构与参数具体. 黑色系统:一个系统的内部特性全部是未知的. 灰色系统:介于白\黑色系统之间的.即系统内部信息和特性是部分已知的，另一部分是未知的. 灰色系统分析建模方法:根据具体灰色系统的行为特征数据，利用数量不多的数据信息寻求相关各因素之间的数学关系，即建立相应的数学模型.

2023-03-26

详解支持向量机（SVM）算法

svm多分类 1、基于统计理论的学习系统 2、属于有监督学习的方法 3、用于样本分类 4、分为线性分类模型与非线性分类模型

2023-03-26

基于matlab程序的各种回归、分类算法实现

MLR - 多元线性回归 PCA - 主成分分析 PLS - 偏最小二乘 LogisticR - 逻辑斯蒂回归 Ganzhiji - 感知机(perception) PSO - 粒子群优化 KNN - K_近邻 Bayes - 贝叶斯 OSC - 正交信号校正 GDescent - 梯度下降 ANN - 人工神经网络 BOOSTING - 提升算法

2023-03-26

各行各业程序员简历模板列表

PHP程序员简历模板 iOS程序员简历模板 Android程序员简历模板 Web前端程序员简历模板 Java程序员简历模板 C/C++程序员简历模板 NodeJS程序员简历模板架构师简历模板通用程序员简历模板

2023-03-26

微慕WordpPress小程序开源版前端

微慕WordPress小程序开源版，使用开源建站程序WordPress作为后台，简单对接快速生成小程序。可将WordPress网站的文章、分类、评论等内容同步到小程序，并且可以一键同步到微信小程序端。缩略图的方式显示文章列表（首页，分类文章），包括显示文章分类和发布时间，加载分页。在首页用轮播方式显示指定文章。显示文章分类（专题），包括显示分类的封面图片。显示文章内容页，包括文章站内链接跳转，站外链接复制到剪切板，显示猜你喜欢的相关文章。显示文章评论，提交评论和回复评论，加载评论分页，显示微信用户评论者的头像。(可以设置是否开启评论）显示文章排行：浏览数、评论数、点赞数、赞赏数。显示wordpress“页面”类文字（关于页面）。对文章内容的全文搜索。小程序页面的分享和转发。 WordPress 插件的配套功能。文章浏览数显示及更新。文章微信用户点赞及点赞的微信用户头像显示。通过微信支付对文章赞赏。分享到朋友圈 web-view内嵌网页跳转。回复评论发送模板消息，赞赏发送模板消息。订阅专题。文章海报（分享微信朋友圈的卡片）

2023-03-26

Python教程大全入门到实战

为什么学Python? Python代码规范简明概述注释命名规范第一个Python程序 Python 简介 Python 的安装第一个 Python 程序集成开发环境（IDE）: PyCharm 基本数据类型和变量 Python 语法的简要说明 print() 函数 Python 的基本数据类型字符串的编码问题基本数据类型转换 Python 中的变量 List 和 Tuple List（列表） tuple（元组） Dict 和 Set 字典(Dictionary) set 条件语句和循环语句条件语句循环语句条件语句和循环语句综合实例函数 Python 自定义函数的基本步骤函数返回值函数的参数函数传值问题匿名函数迭代器和生成器迭代 Python 迭代器 list 生成式（列表生成式）生成器迭代器和生成器综合例子面向对象面向对象的概念类的定义和调用类方法修改和增加类属性类和对象初始化函数类的继承类的多态类的访问控制模块与包 Python 模块简介模块的使用主模块和非主模块包作用域 Python 的 Magic Metho

2023-03-26

学生宿舍管理系统（SSM/Layui框架）

用途：毕业设计 MD5加密 SSM框架 Layui框架功能：管理员的登录与登出、管理员,班级,学生,宿舍，卫生，访客各模块增删改查、个别模块关联查询、各个模块数据导出Excel。

2023-03-26

数据分析，数据分析是单验的一个重要部分，主要是对外场测试的 LOG 进行分析，撰写单验报告等。本章将介绍后台分析软件的使用。

数据分析是单验的一个重要部分，主要是对外场测试的 LOG 进行分析，撰写单验报告等。本章将介绍后台分析软件的使用以及测量量的处理方法。利用后台狗，打开后台 CDS 软件，后台 CDS 界面与前台有所不同，没有添加设备按钮。

2022-04-03

一个基站单验，一般包含以下几种业务： ATTACH（附着）、 DETACH（去附着）、上传、下载、 ping、 DT 路测等。

一个基站单验，一般包含以下几种业务： ATTACH（附着）、 DETACH（去附着）、上传、下载、 ping、 DT 路测等。一般一个宏站，三个小区，每个小区找到一个好点，需要做如下定点测试： attach/detach（记一个 LOG）； ping（大包和小包各记一个 LOG）；上传（记一个 LOG，并截图）；下载（记一个 LOG，并截图）。每个小区除了定点测试外，还需要进行路测（DT），路测包含的内容是：上传（记一个 LOG，并截图）；下载（记一个 LOG，并截图）。上面提到的 LOG，是指在测试过程中， CDS 软件中可以通过记录 LOG，将整个测试过程的数据保存下来，便于测试完成后，在后台进行回放和分析。

2022-04-03

单验常用软件介绍，通常需要用到的软件有 CDS 软件

在单验时，通常需要用到的软件有 CDS 软件、 FTP 上传/下载软件、 DUMeter 软件等，下面将对这三个软件的使用进行详细介绍。打开前台 CDS 软件后，首先需要导入小区工参，并激活地图图层，添加测试需要的设备，并对相关参数进行设置，下面将对这个流程进行详细介绍。该页面包括信令窗口（显示测试过程中的信令），事件如切换），服务小区与邻区信息窗口（显示当前的图窗口（显示当前站点的位置），时间轴窗口，小区系要关注的一些测量量），具体位置如图所示。

2022-04-03

单站验证概述通信网络由众多基站组成，这些基站在初始建立完成

通信网络由众多基站组成，这些基站在初始建立完成后，督导将基站硬件和传输数据做到基站 BBU 中去，通过基站告警排查，使基站处于 on air 状态，那么接下来就需要单验人员对该站点进行单站验证，简称单验。在网络优化中，单站验证是很重要的一个阶段，需要完成包括各个站点设备功能的自检测试，其目的是在簇优化前，保证待优化区域中的各个站点各个小区的基本功能（如接入、重选、切换、 PING、 FTP 上传和下载等），基站信号覆盖均是正常的。通过单站验证，可以将网络优化中需要解决的因为网络覆盖原因造成的失步、接入等问题与设备业务性能下降、接入等问题分离开来，有利于后期问题定位和问题解决，提高网络优化效率。通过单站验证，还可以熟悉优化区域内的站点位置、配置、周围无线环境等信息，为下一步的优化打下基础。单验人员到达需要验证的站点，通过相关软件和设备对站点的几个小区进行测试，测试的内容一般包括 ATTACH（附着）、 DETACH（去附着）、 CQT（定点测试）、 DT（路测）、 PING 时延等等，这些测试项后面会详细介绍。单站验证的主要目的就是测试站点信号覆盖

2022-04-03

TE预认证录像拍摄指导书

下面这一块是BBU的系统模块FSIH，FSIH为室内型BBU，FSIH可以同时配置2块基带扩展单元FBIH，以支持额外的信号处理能力,FSIH主模块本身含主控和基带处理资源，其基带能力和扩展单元FBIH相同。FSIH BBU在S333满配时最大功率934W，支持12*20MHz 2path或9*20MHz 8path，在它的左侧下方是它的电源输入端口，通过蓝黑线缆与DCDU模块上的相连，给BBU供电；右边的是一些是与我们射频单元连接的光口，上面第一行后面六个光口分别是7口、8口、9口、10口、11口、12口，通过光模块和光纤与RRU相互连接，这里要注意一下若光口速率为9.8G时FSIH和FBIH分别只有3个光口可以使用，可用的9.8G光口只有有7，9，11口，8,10,12光口不能在使用；在FSIH模块的下方EIF1是我们的传输端口，使用1.25G的光模块，通过黄色尾纤与PTN相连，与EIF1相邻的还有光口EIF2、电口EIF3、EIF4；旁边这LMP端口是与我们电脑连接的本地调测端口，再右边的分别是（SYNC in和SYNC out）时钟同步输入输出口。系统模块最右边的是GPS连接口

2022-04-03

BP神经网络matlab实例(简单而经典)

2022-04-03

基站是移动通信中组成蜂窝小区的基本单元，主要完成移动通信网和移动通信用户之间的通信和管理功能，从狭义上就可以把基站理解成一种无线

基站是移动通信中组成蜂窝小区的基本单元，主要完成移动通信网和移动通信用户之间的通信和管理功能，从狭义上就可以把基站理解成一种无线电收发信电台。换句话说，你的手机信号从哪里来，手机能上网、打电话都是因为你的手机（专业术语称为终端UE）驻留在一个基站上，在基站信号的覆盖范围内。基站不是孤立存在的，它仅仅属于网络架构中的一部分，它是连接移动通信网和用户终端的桥梁。 1 LTE基站概述 2 1.1 基站概念 2 1.2 基站室外设备 2 1.3 基站室内设备 5 2 LTE基站类型与设备 9 2.1 宏站和室分站区别 9 2.2 TDD和FDD区别 9 2.3 基站基本设备介绍 10 2.3.1室内基带处理单元 BBU 10 2.3.2电源模块 DCDU 13 2.3.3时钟盒 14 2.3.4 GPS 15 2.3.5远端射频模块RRU 15 2.3.6天线 16 3 TDD与FDD站点配置 19 3.1 TDD站点介绍 19 3.1.1 D频段宏站介绍 19 3.1.2 F频段宏站介绍 22 3.1.3 TDD室分站点 26 3.2 FDD站点介绍 27 3.2.1 FDD宏站介绍 27

2022-04-03

根据LTE站点双工方式的不同，对TDD和FDD站点配置进行分类介绍。

移动TDD又根据划分频段的不同，分为D、F、E三种频段，下面将对各个频段配置进行详细介绍。D频段室内设备：DCDU、主系统模块FSMF、系统拓展模块FBBA、传输模块（FTIF）、时钟盒。室外包括RRU、GPS、天线等。电源连线：DCDU通过FSMF的第二个接口给其供电，连线如黄色线所示。FSMF通过自身的第一个接口给左边的第一块FBBA供电，第一块FBBA通过自身第二个接口给右边的第二块FBBA供电，连线如绿色线所示。 FSMF的两个数据口通过两根BUS线分别与两个FBBA的数据口相连，连线如图中蓝色线所示。时钟盒左边用红色圆圈标出的金属接口与GPS避雷器相连，时钟盒通过一根高清线与FSMF的时钟同步输入接口相连，示意图如图中红色线所示。 D频段光口连接：FSMF上的1、2光口分别与室外1小区RRU的主、辅光口连接，3、6光口分别与室外2小区RRU的主、辅光口连接，4、5光口分别与室外3小区RRU的主、辅光口连接。 FTIF传输模块的第四个接口（从左往右数）通过光模块与PTN传输设备相连。 FSMF的第三个接口为调测网口，我们正是通过这个接口将数据做到设备中去的，调测时用网线与电脑

2022-04-03

LTE基站类型根据不同的划分方式，有不同的分类。根据基站覆盖的环境和模型不同，可以分为宏站和室分站；根据LTE采用的双工方式不同

LTE基站类型根据不同的划分方式，有不同的分类。根据基站覆盖的环境和模型不同，可以分为宏站和室分站；根据LTE采用的双工方式不同，又分为TDD站点和FDD站点，根据环境、覆盖模型不同将站点分为宏站与室分站。宏站一般指室外大范围的覆盖站点，由于天线覆盖无法做到无缝覆盖，宏站天线无法完全覆盖至室内，或室内覆盖信号很差，环境复杂，针对楼宇需要做室分覆盖。简单来说宏站是大范围室外覆盖的站点，针对高楼层，覆盖差的室内而设的站点为室分站点。宏站和室分站点区分也很简单，宏站在室外有明显的天线，而室分的天线多为在楼道的天花板里的吸顶天线。LTE根据双工方式，分为两类：TDD和FDD，TDD代表时分复用，FDD代表频分复用，FDD系统是指系统的发送和接收数据使用不同的频率；时分双工系统则是系统的发送和接收使用相同的频段，上下行数据发送在时间上错开，通过在不同时隙发送上下行数据，可有效避免上下行干扰，至于具体含义属于理论范畴，这里就不多解释了，但要知道中国移动使用的是TDD。电信联通使用的是FDD。

2022-04-03

LTE基站概述，基站不是孤立存在的，它仅仅属于网络架构中的一部分，它是连接移动通信网和用户终端的桥梁。

基站是移动通信中组成蜂窝小区的基本单元，主要完成移动通信网和移动通信用户之间的通信和管理功能，从狭义上就可以把基站理解成一种无线电收发信电台。换句话说，你的手机信号从哪里来，手机能上网、打电话都是因为你的手机（专业术语称为终端UE）驻留在一个基站上，在基站信号的覆盖范围内。基站一般由机房，信号处理设备，室外的射频模块、收发信号的天线、GPS、各种传输线缆等等组成。下面将以基站接收信号，从室外到室内这样的顺序给大家介绍一下基站。基站不是孤立存在的，它仅仅属于网络架构中的一部分，它是连接移动通信网和用户终端的桥梁。天线有很多不同的安装方式，下面列举了一些天线安装在不同地方的照片，当你看见这些天线，那么这个天线附近就应该有我们的基站了。

2022-04-03

本地redis客户端订阅EdgeX中的消息总线获取数据（没有成功获取数据）

2022-04-11

怎样给Qlist容器赋初始化值？

2021-11-30

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

使用PSO的固定特征选择

使用SA和ACO的固定特征选择

使用GA的二进制特征选择

数据处理分组法 (GMDH) 在 MATLAB 中的实现

使用遗传算法和粒子群算法实现训练ANFIS

在 MATLAB 和 Simulink 中实现 PID 控制器模糊增益调度

使用ANFIS的非线性回归

二进制遗传算法python实现

实数编码遗传算法（Real-coded Genetic Algorithm）

二进制遗传算法（Binary Genetic Algorithm）

使用SPEA2进行投资组合优化（圣诞节）

使用NSGA-II的投资组合优化

使用ICA的投资组合优化

使用PSO的投资组合优化

使用经典方法进行投资组合优化

校园帮项目，毕业设计/课程设计/javaWeb/SSM

最接近原生APP体验的高性能前端框架（电商）

基于AdaBoost算法的情感分析研究

灰色预测模型 GM（1,1）

详解支持向量机（SVM）算法

基于matlab程序的各种回归、分类算法实现

各行各业程序员简历模板列表

微慕WordpPress小程序开源版 前端

Python教程大全入门到实战

学生宿舍管理系统（SSM/Layui框架）

数据分析，数据分析是单验的一个重要部分，主要是对外场测试的 LOG 进行分析，撰 写单验报告等。 本章将介绍后台分析软件的使用。

一个基站单验，一般包含以下几种业务： ATTACH（附着）、 DETACH（去附着）、 上传、下载、 ping、 DT 路测等。

单验常用软件介绍，通常需要用到的软件有 CDS 软件

单站验证概述通信网络由众多基站组成， 这些基站在初始建立完成

TE预认证录像拍摄指导书

BP神经网络matlab实例(简单而经典)

基站是移动通信中组成蜂窝小区的基本单元，主要完成移动通信网和移动通信用户之间的通信和管理功能，从狭义上就可以把基站理解成一种无线

根据LTE站点双工方式的不同，对TDD和FDD站点配置进行分类介绍。

LTE基站类型根据不同的划分方式，有不同的分类。根据基站覆盖的环境和模型不同，可以分为宏站和室分站；根据LTE采用的双工方式不同

LTE基站概述，基站不是孤立存在的，它仅仅属于网络架构中的一部分，它是连接移动通信网和用户终端的桥梁。

C语言之趣味游戏项目设计.rar

对象仍是动态过程，而建模目的是研究时间充分长以后过程的变化趋势 ——平衡状态是否稳定。

【代码】STM32使用寄存器点亮 LED 灯.rar

【代码】STM32使用寄存器点亮 LED 灯.rar

PCB制作—uA741.rar

本地redis客户端订阅EdgeX中的消息总线获取数据（没有成功获取数据）

怎样给Qlist容器赋初始化值？

微慕WordpPress小程序开源版前端

数据分析，数据分析是单验的一个重要部分，主要是对外场测试的 LOG 进行分析，撰写单验报告等。本章将介绍后台分析软件的使用。

一个基站单验，一般包含以下几种业务： ATTACH（附着）、 DETACH（去附着）、上传、下载、 ping、 DT 路测等。

单站验证概述通信网络由众多基站组成，这些基站在初始建立完成