采用相位差校正法进行频谱校正，对幅值进行校正需要依赖于窗函数的谱函数。而实际上很多窗函数都十分复杂，其谱函数的解析表达式难以取得。该文提出基于相位差法取得频率修正量后，可以将原加窗序列乘以一个由频率修正量产生的复数序列，相当于进行一个小的频移，产生一个新的序列。新序列的信号频率正好对准离散频谱上的某一根谱线，不会产生泄漏。因此在幅值校正时不需要依赖窗函数的谱函数，通用性好。仿真研究和应用实例表明，采用该文提出的方法，选择合适的窗函数，即使是密集分布的频谱，也可以达到理想的校正精度。

关于PyTorch 1.2.0 现在，master分支默认支持PyTorch 1.2.0。 由于严重的版本问题（尤其是torch.utils.data.dataloader），MDSR功能被暂时禁用。 如果您必须训练/评估MDSR模型，请使用旧版分支。 EDSR-PyTorch 关于PyTorch 1.1.0 1.1.0更新进行了较小的更改。 现在，我们默认情况下支持PyTorch 1.1.0，如果您喜欢旧版本，请使用旧版分支。 该存储库是CVPRW 2017，第二版NTIRE的PyTorch官方实现，其论文为“用于单图像超分辨率的增强型深度残差网络” 。 您可以从找到原始代码和更多信息。 如果您发现我们的工作对您的研究或出版物有用，请引用我们的工作： [1] Bee Lim，Sanghyun Son，Heewon Kim，Seungjun Nah和Kyoung Mu Lee

平差易软件（转换坐标工具） 笑脸坐标转换更新，包括CGCS2000以及其他坐标系，用起来很方便

基于统计学方法,对故障诊断及故障处理过程中可能遇到的典型故障现象,提出一系列稳定可靠的故障数据模拟新算法,由此可灵活组配各种需要的模拟数据方案。建立了模拟故障数据构造的层次组合模型,总结出不同实际情况需求的模拟故障数据算法步骤。结合配电网中2个实例,通过等价类划分进行实验。结果表明所建议的方法在故障数据模拟过程中简单实用。该算法尽可能抽象故障数据中最本质的内容,对数据挖据及故障模拟方案的设计及实施有一定的实际意义。

§2误差的来源与误差分析的重要性 误差的来源与种类 实际问题建立数学模型研究计算方法编程上机计算求的结果。 1. 模型误差: 在建立数学模型过程中,不可能将所有因素均考虑,必然要进行必要的简化,这就带来了与实际问题的误差。 2.测量误差: 测量已知参数时,数据带来的误差。 3.截断误差: 在设计算法时,必然要近似处理,寻求一些简化。

广东省经济增长与城乡收入差距--基于SVAR模型的实证研究，刘志超，雷钦礼，本文通过建立结构向量自回归（SVAR）模型，对广东省1978年-2010年经济增长与城乡收入差距关系做出实证研究。从脉冲响应分析结果看，�

利用光纤无源器件制作了光学90°混频器,实现了混频器90°相移的精确控制与监测,稳定时间达到12 h以上,利用此混频器研究并实现了数字相干光检测。对差分相移键控(DPSK)信号光和本振光进行混频,高速模数转换器(ADC)对混频后的基带信号采样,利用离线数字信号处理算法进行光载波相位估计和色散补偿,利用有限冲击响应(FIR)数字滤波器补偿了经过90 km光纤传输的8 Gb/s速率DPSK信号的色散失真,测量无误码。

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题, 提出了一种基于深层残差网络的加速图像超分辨率重建方法, 该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度, 通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射, 只在网络的末端引入子像素卷积层, 将像素进行重新排列, 得到高分辨率图像。实验结果表明, 在set 5, set 14, BSD100测试集上, 所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法, 能够恢复更多的图像细节, 图像边缘也更加完整且收敛速度更快。

程序升温气相色谱法零相差控制，蒋小平，赵登科，色谱分析中，色谱柱的温度控制分为两种，恒温控制和程序升温。程序升温要求温度在一个分析周期内呈线性变化，但在整个分析周期内

12位全差分逐次逼近ADC的设计