研究了多播业务在协作非正交多址接入（non-orthogonal multiple access，NOMA）系统中的应用及其性能。在一个单播和多播混合业务的场景中，多播用户组中选择某个信道状态最好的用户作为中继进行解码转发单播用户的信号，并在中继用户支持全双工的模式下，分析和推导了单播用户的中断概率和平均可达速率的闭式表达式。蒙特卡洛仿真结果和理论推导高度一致，表明提出的协作多播应用可以极大改善单播用户的中断性能，且多播用户的容量性能在中继发射功率不是很高的情况下不会受到影响。
2021-07-12 17:58:21
846KB
1
本文档详细描述了交叉编译链的安装过程，以及在BeagleBone平台（带有LCD）移植Xenomai实时内核、移植IGH-EtherCAT、移植LinuxCNC的详细过程，以及可能遇到的具体问题，并且对问题作出了解决
备注：这里移植的LinuxCNC实时性能测试（latency-test）有问题，翻阅英文网页说的是ARM平台不支持LinuxCNC（虽然可以运行，但应该不可以实际运用到工业控制中），得用LinuxCNC的分支——MachineKit，最近在着手处理，欢迎大家一起探讨
2021-07-08 18:03:41
1.36MB
1
Tecnomatix15.1.2版本，Process Simulate仿真软件，许可证需要修改日期在8.15日之前
2021-07-07 21:03:30
72KB
1
提供的安装教程修改，仅用于无法采用正常安装教程PDPS 的用户。此教程不作 为商业用途，仅供学习交流,若于非法途径后果自负。
2021-07-06 13:51:41
196KB
1
这些文件用于在双用户非正交多址 (NOMA) 系统中实现信号检测的深度学习方法 [1]。 3 个主要脚本分别是生成训练数据、训练神经网络和生成测试结果。 该神经网络针对具有相位衰落的静态标量信道进行了训练，并用于在NOMA系统中同时为2个用户检测单个子载波上的传输符号。 考虑并测试了两种情况：一种是具有较少数量的导频符号，另一种是具有较短长度的循环前缀。 在这两种情况下，深度学习方法都比传统的信道估计方法更稳健。 有关更多信息，请参阅 [1]。
[1] Narengerile 和 J. Thompson，“非正交多址无线系统中信号检测的深度学习”，2019 年英国/中国新兴技术 (UCET)，英国格拉斯哥，2019 年，第 1-4 页。
2021-06-28 16:41:28
11KB
1
本系列文章将指导您完成使用AI开发功能齐全的时间序列预测器和异常检测器应用程序所需的步骤。我们的预测器/检测器将处理加密货币数据，特别是比特币。但是，在学习完本系列之后，您将能够将学到的概念和方法应用于任何性质相似的数据类型。
2021-06-25 09:07:42
17.91MB
1
基于X86平台搭建Linux+Xenomai系统，移植IgH-EtherCAT主站，还详细介绍了grub
2021-06-18 14:09:20
311KB
1
基于linux3.14.44内核、xenomai2.6.5、ethercat igh构建主站（安装包）。
博客《ubuntu14.04、xenomai2.6.5、ethercat igh构建主站》的配套资源。
2021-06-16 15:29:47
67.58MB
1