yongcaige

这家伙很懒，什么也没写

资源：438 粉丝：0

时变MIMO信道卡尔曼追踪的改进算法

文中提出了一种改进的时变频率选择性衰落MIMO 信道追踪算法。讨论了影响算法性能的因素。该算法利用卡尔曼滤波器,在一帧内分组追踪信道的实时变化,不仅能减少一帧内的信道追踪次数,还可以降低系统的误码率,提高系统的性能。仿真结果表明了算法的可行性。

2021-05-21 20:55

具有长程相互作用XXZ铁磁体链的热力学性质2008年

采用平均场Jordan-Wigner变换分析,研究外场中且具有Z方向均匀长程相互作用自旋-1/2XXZ铁磁体链的热力学性质,得到了系统的亥姆赫兹自由能、内能、比热、磁化强度、磁化率等热力学量的解析表达式及其数值解,并讨论了有限温度时系统的相变在退化条件下的结果与其他文献的结果相符。

2021-05-11 17:35

基于细胞比膜电容和细胞质电导率的肿瘤细胞表征和分类

本文报道了一种微流控系统,该系统能够表征肿瘤细胞的电学特性,其中通过收缩通道(横截面面积小于生物细胞的横截面面积)抽吸细胞,并测量细胞阻抗曲线并将其转化为特定的膜电容(C特异性) (膜))和细胞质电导率(sigma(cytoplasm))。通过具有不同收缩通道横截面积的微流体平台对两批H1299细胞进行了定量,在两个C特异性(膜)中均未记录到具有统计学显着性的差异(p <0.001)(1.63 +/- 0.52 vs. 1.65 + / -0.43μF / cm(2))和(sigma(细胞质)(0.90 +/- 0.19与0.92 +/- 0.15 S / m),因此证实了微流体平台的可靠性。转移癌株95D(n(cell)= 537)和95C细胞(n(cell)= 486),两种C特异性(膜)的差异显着(2.00 +/- 0.43 VS.1.62 +/- 0.39μF / cm(2))和sigma(细胞质)(0.88 +/- 0.46 vs. 1.25 +/- 0.35 S / m),仅C特异(膜)(2.00 +/- 0.43 vs.对于具有单一致癌基因CCNY下调的95D细胞(n(

2021-05-11 11:32

基于枢轴选择策略的多核并行skyline算法

基于枢轴选择策略的多核并行skyline算法

2021-05-11 06:20

标量曲率恒定的Sn加pq1中完全空类子流形的刚性定理

标量曲率恒定的Sn + pq(1)中完全空类子流形的刚性定理

2021-05-09 06:26

CW blue light generation at429nm by utilizing second harmonic process with KNb

Continuous-wave blue light at 429 nm from a second harmonic process has been investigated at room temperature with Potassium Niobate (KNbO3) crystal. Optimum parameters for nonlinear conversion in our designing single-resonant, external ring cavity pumped by the Ti:sapphire laser are established. 39% of maximum overall conversion efficiency is obtained and factors that limit the conversion efficiency is discussed.

2021-05-05 02:58

Pyrocynical修复Pyrocynical Fix crx插件

用Leafy Clone替换“Pyrocynical”的所有实例。用“叶状克隆”替换“火奴隶”的每个实例,因为这就是他的意思。支持语言:English

2021-05-04 19:16

动态注册事件_阿拉丁神灯

动态注册事件_阿拉丁神灯.rar 介绍了关于动态注册事件_阿拉丁神灯的详细说明,提供其它知识的技术资料的下载。

2021-05-03 11:07

口号帮全媒体整合营销OEM系统源代码

口号帮全媒体整合营销OEM自助系统主要应用于企业、团队、工作室、媒介、文化传播公司、网络推广公司,网络营销公司的一个自动免费快速上线的系统。不管你是个人还是公司都可以基于此系统快速建立属于自己的营销平台。 v1.2更新说明 1.增加支付配置选项(企业支

2021-05-01 15:39

RotBoost一种将Rotation Forest和AdaBoost相结合的技术

本文提出了一种新的集成分类器生成技术RotBoost,它是由Rotation Forest和AdaBoost组合而成的。使用UCI资料库中的36个现实世界数据集进行的实验(其中采用分类树作为基础学习算法)表明,RotBoost生成的集合分类器的预测误差比Rotation Forest或AdaBoost的发生频率要低得多。相反。同时,发现RotBoost的性能比Bagging和MultiBoost更好。通过使用误差的偏差和方差分解来获得对所考虑的分类方法的更多了解,RotBoost可以同时减少一棵树的偏差和方差项,并且它所实现的减量远大于其他集合的减量。方法,使RotBoost在考虑的分类程序中表现最佳。此外,与并行处理相比,RotBoost具有优于AdaBoost的潜在优势。

2021-04-26 04:58