内容概要：本文介绍了如何在ADS环境中利用Momentum工具对实际变压器版图进行电磁仿真，并提取关键参数，包括两个电感的自感L1、L2、互感M和耦合系数K。通过在Momentum中绘制变压器版图并设置端口与扫频范围，完成EM仿真后生成symbol并在S参数原理图中调用。通过连接端口并仿真，利用Z参数计算公式推导出L1、L2、M和K，同时可进一步计算两个线圈的Q值以评估其品质因数。文中还提供了具体的公式表达与操作步骤，并指出Z12与Z21相等，可用于互感计算。此外，补充了HFSS中类似参数的提取公式作为对比参考。; 适合人群：具备射频电路设计基础、熟悉ADS和Momentum软件操作的电子工程技术人员或高校研究人员；有一定工作经验的射频IC或无源器件设计工程师。; 使用场景及目标：①用于片上变压器或耦合电感的建模与参数提取；②支持高频电路设计中的精确仿真与优化，提升实际器件设计精度；③辅助理解实际变压器与理想模型之间的差异及其物理特性。; 阅读建议：建议结合ADS软件实际操作，逐步跟随文档流程完成版图绘制、仿真设置与数据后处理，重点关注Z参数到电路参数的转换逻辑，理解每一步公式的物理意义，并可延伸至其他电磁仿真工具的应用对比。

亚像素边缘检测是计算机视觉和图像处理领域中的一个重要技术，用于提高图像中边缘定位的精度。在实际应用中，如机器视觉、图像分析和模式识别等，亚像素精度的边缘定位能够显著提升系统的性能。本项目"ZernikeMoment_SubPixel_Detection.zip"主要介绍了如何利用OpenCV库实现亚像素边缘检测，特别是通过7x7的Zernike矩方法来实现这一目标。下面我们将详细探讨Zernike矩和OpenCV在亚像素边缘检测中的应用。 Zernike矩是一种在圆域上定义的正交多项式，常用于光学系统分析，但在图像处理领域也有广泛的应用。7x7的Zernike矩意味着我们将在一个7x7的像素区域内计算一系列基于Zernike函数的矩。这些矩可以用来描述边缘形状，并帮助我们精确地估计边缘的位置。在边缘检测过程中，Zernike矩能提供一种有效的方法来从原始像素级边缘定位升级到亚像素级精度。 OpenCV（开源计算机视觉库）是一个功能强大的库，支持多种图像处理和计算机视觉算法。在亚像素边缘检测中，OpenCV提供了丰富的函数和模块，如Canny边缘检测、Laplacian边缘检测等。但是，这些内置方法通常只能提供像素级别的边缘定位。为了达到亚像素级别，我们需要自定义算法，如在这个项目中采用的7x7Zernike矩方法。 在实现过程中，首先需要对图像进行预处理，包括灰度化、噪声去除（例如使用高斯滤波器）等步骤，以确保后续的边缘检测更加准确。接着，应用Zernike矩计算公式，对每个可能的边缘像素点及其周围7x7像素区域进行计算。通过比较不同位置的Zernike矩，可以确定边缘的最可能位置，从而得到亚像素级别的边缘坐标。 在"ZernikeMoment_SubPixel_Detection-master"文件夹中，可能包含以下内容： 1. 源代码文件：一般为.cpp或.hpp格式，实现了Zernike矩计算和亚像素边缘检测的算法。 2. 测试图像：用于验证算法效果的示例图像。 3. Makefile或构建脚本：用于编译和运行代码的指令。 4. 预处理和后处理函数：可能包括图像灰度化、归一化、滤波等操作的实现。 5. 结果展示：可能包含处理前后的图像对比，以及亚像素边缘定位的结果。 通过理解和运用这个项目，开发者可以学习到如何结合Zernike矩与OpenCV来提升边缘检测的精度。这对于那些需要精确边缘信息的场景，如精密测量、机器人导航、医学图像分析等领域，都是非常有价值的。同时，这也是对OpenCV功能的一种扩展和实践，有助于提高对图像处理算法的理解和应用能力。

我们报告了在sNN = 200 GeV的强子Au + Au碰撞和在sNN = 193 GeV的U + U碰撞时，在非常低的横向动量（pT <0.2 GeV / c）下J /ψ产生的首次测量。 值得注意的是，在60％–80％的碰撞中心度等级中，对于pT <0.05 GeV / c，在Au + Au（U + U）碰撞的中间快时推断的J /ψ核修饰因子达到约24（52）。 值得注意的是，强子酸产生并伴有冷热介质效应无法解释。 此外，首次给出了非常低的pT范围内J /ψ的dN / dt分布。 该分布与Au核的预期分布一致，并显示出一些干扰。 将测量结果与相干生产的理论计算进行比较表明，可以很好地描述多余的产量，并揭示了半中心碰撞中相干生产的部分破坏，这可能是由于强强子相互作用所致。 结合理论计算，结果强烈表明，在极低的pT下观察到的J /ψ产量的显着提高源自相干光子-核相互作用。 特别是在强强子碰撞中连贯产生的J /ψ可能为夸克胶子等离子体提供一种新颖的探针。

一种运用迭代技巧改进的基于动量交换的浸没边界-格子Boltzmann方法，胡洋，袁海专，本文提出了一种新的模拟不可压粘性流的浸没边界-格子Boltzman方法（IB-LBM）。在原始的基于动量交换IB-LBM的基础上，通过引入一个迭代校

deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

人工神经网络 具有反向传播和动量的人工神经网络（不使用角膜和张量流） 楷模 实施步骤 导入必要的库 麻木 matplotlib 球状 cv2 随机的 操作系统 下载并预处理数据集 加载训练和测试数据集 随机训练和测试数据集 调整图像大小并进行归一化 初始化随机权重和偏差 创建字典以存储权重和偏差 将权重和偏差初始化为零以进行反向传播 修复所有超参数 学习率 纪元数 层数 每层的单位数 动量（

基于NodeJs + MongoDB + jQuery + Bootstrap建造的豆瓣电影网站 一，简介 本项目是基于Nodejs的练习手项目，期间参考了慕课网（代码结构及路由全都重新改造），在老师所讲的基础上增加了很多的功能和完善，项目基于Express 4.15版本，，代码采用Es6编写，代码已加注释，提高了阅读性和维护性，有助于参考： 1，项目前端建设： 使用jQuery和Bootsrap完成网站前端JS脚本和样式处理； 前一级的数据请求交互通过Ajax完成； 约会了Moment.js格式化前端页面显示时间； 2，项目筹备建设： 使用NodeJs的express框架完成电影网站布局的构

面表情 可以模仿您表情的语音聊天机器人。 这是一个Unity项目（仅适用于Android），其中包含两个模块。 其中之一是FaceTracking ，它使用和检测面部表情，将其转换为模型并gif。 另一个是AI （聊天机器人） ，它使用 ， 和进行语音聊天。 English | 发布 建立 从或下载shape_predictor_68_face_landmarks.dat （面部地标检测器）和Facemoji_Plugins_Assets_1.5.0.unitypackage （简化的OpenCV，Dlib，Live2D和Iflytek Assets库）。 git clone htt

Coherently demodulated orbital angular momentum shift keying system using a CNN-based image identifier as demodulator

提取图像的hu矩 使用matlab编写 相当稳定 计算速度较快