第三章 载波频偏估计算法的研究 相干检测通信系统接收机的特点是利用一个本振激光器(LO)与接收到的 载波调制信号进行相干以获得基带信号。理论上，要求本振激光器的振荡频率与 信号载波的频率完全相同。但实际上，光通信系统中激光器的振荡频率高达几百 THz，在目前的光器件的工艺条件下，两个激光器的振荡频率与我们所预先设置 的振荡频率都不可能完全吻合，即每个激光器都肯定有一定量的振荡频率偏移。 假设每个激光器的可能的振荡频偏的范围是[-X，+X]Hz，则两个激光器的相对频 偏(载波频偏)的范围就可能为[．2)(’+2X]Hz。载波频偏估计算法的目的就是通 过对离散数字基带信号的处理，去除载波频偏对调相系统中符号相位的影响。 目前应用于相干光传输系统接收机中的前馈式全数字载波频偏估计算法，主 要有两种，分别为四次方频偏估计算法和基于预判决的频偏估计算法。本章详述 了这两种算法的原理、算法参数，给出了这两种算法在l 12Gb／s PM．DQPSK系 统中的仿真结果。针对目前硬件实现所面临的器件处理速率不足这一重要问题， 设计了这两种算法的并行处理结构的方案。此外，还设计了基于预判决的频偏估 计算法的初始化方案。最后，横向比较了现有的几种载波频偏估计算法。 3．1四次方频偏估计算法 3．1．1四次方频偏估计算法的原理 四次方频偏估计算法【lI】是根据M次方频偏估计算法而来的。M次方频偏估 计算法，是应用于相位调制相干接收系统中，去除本地振荡和信号载波之间的频 率偏差对调相信号的基带信号相位的损伤。之所以叫做M次方，是因为算法通 过对复数符号进行M次方运算，从而利用调制信息相位的M倍为一个恒定不变 的相位值这一结论，去除调制信息相位并进行频偏估计。宅E(D)QPS'K调制方式 下，M=4，M次方频偏估计算法就可以称为“四次方频偏估计算法"。该算法是 一种前馈式频偏估计算法，无需反馈环路。 四次方频偏估计算法的原理图如图3．1所示。 图3-1四次方频偏估计算法原理框图 14

标注方式上： RefCOCOg采用的是非交互式标注法，选定区域请人标注，再请另外一批人根据标注的expression选择对应的region； RefCOCO和RefCOCO+采用的是双人游戏 (Refer it game)的方式. 数据划分方式上： RefCOCO和RefCOCO+包含train, val, testA, testB。testA的图片包含多个人；testB的图片包含多个除人之外的物体。同一个图片的object-expression样本对要么全在训练集，要么全在验证\测试集。 RefCOCOg包含train, val, test。是按照object进行划分的，同一个图片的object-expression样本对集合可能会在训练集一部分，在验证\测试集另一部分。 图片选择上： RefCOCO：图像包含同一类别的多个物体。 RefCOCO+：图像包含同一类别的多个物体，并且expression不能有绝对位置（e.g., left）的词。 RefCOCOg：图像包含同一类别的2-4个物体，覆盖面积超过图片面积的5%

主要介绍了Python3实现取图片中特定的像素替换指定的颜色,涉及Python3针对图片文件的读取、转换、生成等相关操作技巧,需要的朋友可以参考下

中特期末论文，参考选题：讲好中国故事与对外传播的理论与实践案例研究，经知网查重，低于30%

Android应用设计源码安卓实例源代码，可供学习及设计参考。

批处理bat文件，将当前文件夹下所有文件，文件名中的name1替换位name2，简单的几行代码，执行批处理重命名操作，如果想删除特定字符，name2为空即可

1.python提取COCO数据集中特定的类 安装pycocotools github地址：https://github.com/philferriere/cocoapi pip install git+https://github.com/philferriere/cocoapi.git#subdirectory=PythonAPI 提取特定的类别如下： from pycocotools.coco import COCO import os import shutil from tqdm import tqdm import skimage.io as io import matpl

关于本校学生手机依赖现状及其成因的调查与分析报告

研究生课程新中特

DataScience：机器学习中特征工程之WOE编码(离散变量编码/有监督)的简介、计算过程、案例应用之详细攻略 (1)、什么是WOE编码 (2)、案例理解WOE编码 (3)、WOE编码技术的深度思考 (4)、为什么选择采用WOE编码？ (5)、WOE编码的优势 WOE编码—离散变量编码(有监督性的编码) 在建模前，我们需要把原始的值转化成WOE值才能使得模型效果好。 提出问题 怎样对字段的每个分段进行评分呢？这个评分是怎么来的？ 解决方案 WOE编码， 将预测概率值转化为评分， 利用变量相关性分析和变量的系数符号保证每个分箱评分的合理性。 分箱之后我们便得到了一系列的离散变量，下面需要对变量进行编码，将离散变量转化为连续变量。WOE编码是评分卡模型常用的编码方式。