搜索资源列表
顺序表的应用
- 顺序表的应用 （1） 已知长度为n的线性表A采用顺序存储结构，请写一时间复杂度为0(n)、空间复杂度为0(1)的算法，该算法删除线性表中所有值为item的数据元素。要求：线性表元素个数n很大，而值为item的数据元素个数很少，要求移动元素个数尽量少；删除后的数组元素与原数组元素不必保持顺序一致。 （2）编写一个函数将一个顺序表A（有n个元素，且任何元素均不为0）分拆成两个顺序表，使A中大于0的元素存放在B中，小于0的元素存放在C中。 （3）假设一个算术表达式中包含圆括号，方括号
CameracaUbraifonformonocularvision
- 摄像机标定是计算机视觉领域的一个研究热点，为了解决单目摄像机标定中的精度不高、模型复杂、鲁棒性差等问题，依 据神经网络、遗传算法及摄像机标定的特点，提出了基于遗传算法和BP神经网络相结合的单目摄像机标定方法。该方法充分利用 遗传算法的全局优化和神经网络的局部收敛的特点，一方面避免了建立复杂的摄像机成像模型，另一方面增强了摄像机标定的精 度和鲁棒性。-The camera calibration isoneofmostimportantresearch ifeldsin compute
fft
- fft算法详细的说明文档,包括设计思路和复杂度分析。-Detailed descr iption of fft
Beamform-ing-Algorithm
- 提出一种基于直接数据域最小二乘方法的自适应多波束形成算法,包括前向计算、后向计算和前- 后向计算。利用天线阵元输出复电压的单快拍数据构建矩阵方程,采用共轭梯度法求解得到阵列的自适应权值向 量,从而在所有期望信号方向形成接收波束,同时在各干扰方向形成深零陷,使信干噪比显著提高。由于只需对单 快拍数据进行处理,并且避免了样本协方差矩阵的构造及矩阵求逆运算,故计算复杂度较传统算法低。-An adap tive multip le beamforming algorithm based on
jiaquankuaisurnghesuanfa
- 加权多分辨率图像融合的快速算法--基于定义的相关信号强度比, 提出了一种加权多分辨率图像融合的快速算法。同传统加 权多分辨率图像融合方法相比, 算法具有较低的计算复杂度。实验结果表明, 该算法同传统加权多分辨率图像融合方法一样, 能够产生良好的融合效果。-A fast algorithm of weighted multiresolution image fusion--Using the defined correlated signal intensity ratio, propose
Robust-Beamforming-via-Semidefinite
- 现有的向量加权稳健波束形成方法只有在指向误差较小的情况下才能有效估计目标的信号功率；矩阵加权波束形成方法在指向误差较大时，虽然可以估计目标的信号功率，但是它的系统实现复杂度与向量加权稳健波束形 成方法相比较大。针对以上问题，该文提出基于半正定秩松弛(SDR)方法的稳健波束形成，该方法优化模型中的目标函数与Capon 算法的目标函数相同，优化变量为加权向量的协方差矩阵，并约束方向图的主瓣幅度波动范围、旁瓣电平，协方差矩阵的秩为1。-The existing vector weighted ro
machine--Learning-concept
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。-Machine Learning (Machine Learning, ML) is more than one field of