“Towards Total Recall in Industrial Anomaly Detection”在MVtec数据集上排名第一的方法，是基于pytorch实现的，非官方源码， 简称“PatchCore”

将认知无线电技术应用于非正交多址接入（NOMA）协作多播系统，研究了将用户作为中继的可行性，提出了一种带参数的多播候选集的二级协作传输方案。该方案先由基数q选出候选集，再根据主用户和候选次用户之间的信道增益选出最佳的转发节点。仿真结果表明，通过合理选择构造参数 q，所提方案在减少次用户分集增益损失的同时，能够大幅提高主用户的分集增益。在N个多播用户组成的NOMA协作多播场景中，将主用户的分集增益从2提升到min(N-q+2,q+1)，满足主用户可靠性的要求。

本书为NOMA第一本书，有曼彻斯特大学zhiguo ding老师撰写

Tecnomatix_14.0.1_Setups.zip 附件为某网盘链接（链接+提取码），经压缩后的文件有2.34GB,仅供学习交流使用.

皮诺玛利 PyNomaly是LoOP（局部异常值）的Python 3实现。 LoOP是Kriegel，Kröger，Schubert和Zimek提出的基于局部密度的离群值检测方法，可提供[0,1]范围内的离群值，这些分数可直接解释为样本是离群值的概率。 每个样本的离群值称为本地离群值概率。 它测量给定样本相对于其邻居的密度的局部偏差作为局部离群值因子（LOF），但提供范围为[0,1]的归一化离群值。 这些离群值可直接解释为对象成为离群的概率。 由于本地异常值提供的评分范围为[0,1]，因此从业人员可以根据应用程序自由解释结果。 像LOF一样，它是局部的，异常分数取决于样本相对于周围邻域的隔离程度。 局部性由k个最近的邻居给出，其距离用于估计局部密度。 通过将样本的局部密度与其邻域的局部密度进行比较，可以识别出与邻域相比密度较低的区域中的样本，从而根据其局部离群概率来识别离群的样本。

异常检测 硕士项目-工业成像中的异常检测

【雷达通信】非正交多址接入（NOMA）和正交频分多址接入（OFDMA）的性能对比matlab源码.md

诺玛Matlab代码具有高阶调制方案的基于NOMA的VLC系统的误差分析 这是与以下科学文章相关的代码包： EM Almohimmah和MT Alresheedi，“具有较高阶调制方案的基于NOMA的VLC系统的误差分析”，在IEEE Access，第1卷中。 8，pp。2792-2803，2020，doi：10.1109 / ACCESS.2019.2962331。 该软件包包含MATLAB文件，这些文件复制了本文中的图形和结果。 文章摘要 非正交多址访问（NOMA）是一种频谱效率高的技术，预计将在未来的无线网络中应用。 然而，其高光谱效率是以增加数据检测误差为代价的。 本文提出了具有更高阶调制方案的基于下行链路功率域基于NOMA的可见光通信（VLC）系统的理论误差分析，其中考虑了不连续干扰消除（SIC）的情况。 当调制为平方正交幅度调制（QAM）时，可以得出用户的符号错误率（SER）的精确闭式表达式。 导出的表达式适用于每个用户的任何调制顺序。 另外，为具有更高阶调制的NOMA提供了必要且充分的功率分配（PA）约束，以确保叠加星座图中的符号的决策区域不会相交或重叠。 仿真结果支持理

带xenomai补丁的linux内核源码。 sudo dpkg -i linux-headers-4.9.38-xenomai-3.1_4.9.38-xenomai-3.1-10.00.Custom_amd64.deb进行安装

编译完的xenomai3.1内核包。linux内核版本4.9.38。 下载后 sudo dpkg -i linux-image-4.9.38-xenomai-3.1_4.9.38-xenomai-3.1-10.00.Custom_amd64.deb安装带xenomai补丁的内核