登录
首页 » Others » 机载下视圆周SAR三维BP成像

机载下视圆周SAR三维BP成像

于 2020-12-04 发布
0 737
下载积分: 1 下载次数: 14

代码说明:

机载下视圆周SAR三维BP成像,对学习CSAR成像算法的同学很有帮助庞守宝,等:机载下视圆周SAR三维BP成像匚发射信号]一世P点救射回波信号时间匹配滤波补偿相位因子DBP成像相十叠加0)0图5同一高度x平面内4点的能量图成像显示图3算法的成像流程图103仿真结果60仿真的场景是在三维平面上立方体的8个顶点,场景的原始三维仿真图如图4所示。仿真中的主要的303035系统参数如表1所示。表1仿真所用的主要系统参数10载波波长0.008m带宽750 MHz脉冲重复频率飞行高度0203040506070801000m/n角速度0.4rads载机飞行半径100m阵元数目阵元间距0.008m图6同一高度x平面内4点的等高线dB图10108口424044维/363436-10-6y/m原始场景图7BP成像之后的初始结果图图4原始场景图系统仿真的结果如图5~图8所示。图5为同高度4点的能量图,从图5中可以看出,有目标的区域能量积聚非常明显,没有目标的区域能量很小,几乎可以忽略,这正是BP算法相干累积的优点。图65为同一高度4点的等高线图,从图中可以得知,点目rim标存在处的能量较为集中,有目标的区域相对没有目y/m场景恢复标的区域的dB差较大,能量差异通过右边的色彩进度条来表示。图7为截取某一门限后BP成像的结果图8场景恢复之后的成像图图,根据图中8点位置可知,BP累积之后的初始成像4结束语相对于原始场景只是出现了坐标的平移,8个点的相对位置是正确的。图8为BP成像结果转换到原坐标分析了飞机圆周飞行时对地面场景目标的三维成系之后的成像结果。比较图4和图8,可以得知,圆像结构和成像机理,机载下视三维圆周SAR区别于周SAR三维BP成像的结果和原始场景吻合,即圆周普通的直线飞行的三维SAR在于回波信号距离压缩SAR可以精确的还原目标场景的三维信息。之后出现沿航向和切航向的耦合项,使得经典的RD16庞守宝,等:机载下视圆周SAR三维BP成像电炮是算法、CS算法和距离徙动算法等受限,BP算法通过(8):1252-1265二维搜索,避免了单独处理每一维的过程,之后通过[5] Wang Y P, Tan WX, Hong W,etal. Focusing Bistatic像素单元离散化、补偿每一距离门相位因子、相干累Circular SAR Data Using Polar Format Algorithm [C]. Syn-积等步骤构建场景目标函数,完成成像处理。三维场thetic Aperture Radar, APSAR2009, 2 Asian -PacificConferences on digital Objects Identifier, 2009: 989景仿真结果表明,圆周SAR能够精确的还原场景目992.标的三维信息。此结构在地质斯探和自然灾害救援等[6]Du Lei, Wang Yanping, Honf Wen, et al. Analytic Mod-有现实意义。eling and Three Dimensional Imaging of Downward- Loo-参考文献king Sar Using Bistatic Uniform Linear Array Antenna[C]. Ist Asian and Pacific Conference on Synthetic aper-[1] Hong W, Wang Y P, Tan WX, et al. Tomographic SARture Radar Proceedings, 2007: 49-53and Circular SAR Experiments in Anechoic Chamber [c]. [7] Jens Klare, Matthias Wei, Olaf Peters, et al. ARTINOGermany: EUSAR, 2008A New High Resolution 3D Imaging Radarsystem on an Au-[2] Cantalloube H, Colin E. Airbome SAR Imaging Along a Cirtonomous Airborne Platform [C]. Greeces: IGARSScular Trajectory [c]. Germany EUSAR, 2006: 16-182006:3842-3845[3] Riot H. Cantalloube, Circular SAR Imagery for Urban Re- [8] Wei M, Ender J, Peters 0, et al. An Air-bone Radarmote Sensing [c]. Germany: EUSAR, 2008: 2-5for Three Dimensional Imaging and Observation - Technical[4] Soumekh M. Reconnaissance with Slant Circular SAR ImaRealisation and Status of ARTINO [C]. Germany: EU-ging [J]. IEEE Trans. On Imaging Proccessing,1996,5SAR, Dresden,2006:5315-5318“→·“M“+“““M(上接第11页)[5]施韶华,李孝辉,刘阳.基于直接数字频率合成的高精参考文献度频率源设计[J].电子测量与仪器学报,2008(90):[1]周殿清.基础物理实验[M].北京:科学出版社,200385-389[2]杨刚,周群.电子系统设计与实践[M].北京:电子工[6]王军证,王建斌,陈仁伟.基于DDS的超声导波信号业出版社,2004源的设计[J.电子测量技术,2010,33(2):19-2.[3]刘海成.AVR单片机原理及测控工程应用[M].北京:[7]吴加政,苏新彦.基于DDs的信号模拟器设计J.国北京航空航天大学出版社,2008外电子测量技术,2009,28(10):67-70[4]柴媛媛,唐慧强,辛红伟.基于ARM和DS技术的信[8] ST Microelectronics Corporation,smFI03 XX Datasheet[EB/号源设计[J].通信技术,2009,42(10):54-56OL].(209-12-14)[2010-03-10]ww.st.com+一中““-(上接第13页)器的输出波形。图4所示为示波器测量仿真输出波形。真分析,在编辑电路、调整元件参数时十分方便,它可以进行各种电子电路的设计与仿真,并且仿真精度高。给电路设计测试带来方便,使电子线路的设计、性能参数的仿真等繁琐的任务变得轻而易举。参考文献[1]郑步生. Muhisim2001电路设计及仿真入门与应用[M]北京:电子工业出版社,2002.[2]张新喜. Multisim10电路仿真及应用[M].北京:机械图4示波器测量仿真输出波形工业出版社,20102结束语[3]美国国家仪器有限公司. NI Multisim1l简化教学和设计中的电路仿真[Z/OL].(2010-02-01)[2010-05-在时序逻辑电路设计中应用 Multisim软件进行仿11http://www.ipcm.com.cn机载下视圆周SAR三维B成像旧WANFANG DATA文献链接作者:庞守宝,张晓玲,吴堃, Pang Shoubao, Zhang Xiaoling, Wu Kun作者单位:电子科技大学,电子工程学院,四川,成都,610054刊名:电子科技英文刊名:ELECTRONIC SCIENCE AND TECHNOLOGY年,卷(期):2010,23(12)参考文献(8条)Wei M; Ender J; Peters 0 An Air-borne Radar for Three Dimensional Imaging and Observation-TechnicalRealisation and status of artin 20062. Jens Klare; Matthias Wei: Olaf Peters ARTINO: A New High Resolution 3D Imaging Radarsystem on anAutonomous airborne plat form 20063. Du Lei; Wang Yanping; Honf Wen Analytic Modeling and Three-Dimensional Imaging of Downward-LookingSAR USing Bistatic Uniform Linear Array Antennas 20074. Wang y P; Tan W X; Hong W Focusing Bistatic Circular SAR Data Using Polar Format Algorithm 2009oumekh M Reconnaissance with Slant Circular SAR Imaging 1996(08)6. Oriot H Cantalloube Circular SAR Imagery for Urban Remote Sensing 20087. Cantalloube H; Colin E Airborne Sar Imaging Along a Circular Trajectory 20068. Hong W; Wang y P; Tan W X Tomographic Sar and Circular Sar Experiments in Anechoic Chamber 2008本文链接http://d.g.wanfangdata.comcn/periodiCaldzkj201012005.aspx

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • Python语言在Abaqus中的应用DVD光盘
    本资源是《Python语言在Abaqus中的应用》的随书光盘内容,谢谢。
    2021-05-06下载
    积分:1
  • matlab瑞利信道仿真
    【实例简介】用matlab设计的瑞利信道仿真,欢迎大家下载
    2021-11-18 00:50:07下载
    积分:1
  • NSGA-III代码
    测试可以跑,根据自己情况修改下函数即可.NSGA-III 首先定义一组参考点。然后随机生成含有 N 个(原文献说最好与参考点个数相同)个体的初始种群,其中 N 是种群大小。接下来,算法进行迭代直至终止条件满足。在第 t 代,算法在当前种群 Pt的基础上,通过随机选择,模拟两点交叉(Simulated Binary Crossover,SBX)和多项式变异 产生子代种群 Qt。Pt和 Qt的大小均为 N。因此,两个种群 Pt和 Qt合并会形成种群大小为 2N 的新的种群 Rt=Pt∪Qt。 为了从种群 Rt中选择最好的 N 个解进入下一代,首先利用基于Pareto支配的非支配排序将 Rt分为
    2020-11-29下载
    积分:1
  • CDMA系统MATLAB仿真
    包含一个word文档和m文件!另外,对科技咨询感兴趣的,可以来我的博客,www.techfans.net,和我一起探讨
    2020-12-11下载
    积分:1
  • C8051F系列中文数据手册.zip
    【实例简介】C8051F系列中文数据手册,潘琢金译,包含各个型号,可供编程或学习入门时参考。
    2021-11-26 00:35:27下载
    积分:1
  • casa模型全部流
    CASA模型中NPP的估算可以由植物的光合有效辐射(APAR)和实际光能利用率(ε)两个因子来表示,其估算公式如下: 式中,APAR(x,t)表示像元x在t月吸收的光合有效辐射 (g C•m-2•month-1),ε(x,t)表示像元x在t月的实际光能利用率(g C•MJ-1)
    2020-12-11下载
    积分:1
  • 自己写的FFT序(matlab)
    自己编写的FFT程序(matlab)时域抽取基二fftret_val 为fft变换后返回的频域序列vector 为变换前的序列
    2020-06-26下载
    积分:1
  • 基于Xgboost的商业销售预测
    基于Xgboost的商业销售预测,以德国Rossmann商场的数据为例,通过对数据的探索性分析,以相关背景业务知识体系为基础,通过可视化分析,提取隐含在数据里的特征,使用性能较优的Xgboost方法进行规则挖掘,取得较好效果。第3期饶泓等:基于 Boost的商业销售预测277·(3)eta:收缩步长,即学习速率,取值范围是,3.1数据来源默认为0.3。在更新叶子节点的时候,权重乘以本文所有数据均来自 Haggle中的 Rossmanneta,以避免在更新过程中的过拟合。商店销售额数据集。 Rossmann是商人 Dirk ross(4) max _ depth:每棵树的最大深度,取值范围mann创立的德国首家平价日用品商店,现在的是,默认为6。树越深,越容易过拟合。Rossmann公司逼布欧洲7个国家,分店达100多(5) subsample:训练的实例样本占整体实例样家。论文通过位于德国的1115所 Rossmann连锁本的比例取值范围是(0.1],默认为1。值为0.5商店的历史数据预测未来48天商店的销售额时意味着 Boost随机抽取一半的数据实例来生成Haggle给出了三个数据集: train、test、 store,分树模型,这样能防止过拟合别是训练集测试集和商店基本信息的数据集,对训(6) colsample bytree:在构建每棵树时,列(特练集建模训练,对测试集进行预测。征)的子样本比,参数值的范围是(0,1]数据集基本信息如下(7) objective:默认为reg: linear;(1)训练集 train.csv:时间范围为2013年01月(8)sccd:随机数种子,为确保数据的可重现01日到2015年07月31日,共942天,1017209条性,默认为0。数据。2.2K折交叉验证方法(K一CV(2)测试集test.csv:时间范围为2015年08月论文采用K折交叉验证方法。将原始数据0日到2015年09月17日,共48天,41088条数分为K个子集,每个子集分别验证一次,剩余的K据组子集作为训练数据,这样可得到K组训练集(3)商店基本信息数据集 store.csv:1115条数和测试集以最终的分类平均精度作为性能指标。据,共1115家商店的信息。在实际应用中,K值一般大于或等于2,需要建立K3.2数据的可视化分析及原始特征提取个模型来进行K折交叉验证的实验,并计算K次为了获取影响销售额的基本数据特征,论文对测试集的平均辨识率Gaggle提供的 Rossmann数据集进行了可视化分K折交叉验证的结果能较好说明模型效果,有析,提取原始特征集。效地避免欠拟合与过拟合。在 Boost中,通过(1)顾客数和销售额之间的关系xgb.cv函数来做交叉验证。从图1中可以看出,顾客数和销售额之间存在2.3独热编码(One- hot encoding紧密的正相关关系。由于 Boost仅适用于处理数值型向量,因此处理训练集和测试集时需要将所有其它形式的数10.0据转换为数值型向量,本文采用独热编码将特征值转专换为数值。50独热编码也称一位有效编码,即对于任意时间任意给定的状态,状态向量中只有一位为1,其余6各位为0,将n类特征值转化成n位二进制数串,将顾客数特征的每个对应类设置为1。独热编码将每一个特图1顾客数与销售额的关系曲线征的个取值通过独热编码后转换成了n个二元特(2)促销对销售的影响的可视化分析征,通过该方法将特征转变成稀疏矩阵6。独热编图2和图3中 Promo取1表示当天有促销活码能够解决分类器不好处理属性数据的问题并在动取0表示没有促销活动。从图中可以看出促销一定程度上扩充了特征活动对顾客数并没有太大影响,但销售量却明显提3数据预处理高了,即促销活动并没有吸引更多的顾客,但提高了顾客的购买力,从而提高了销售额。通过查询原始为了获取数据中的有效特征,论文采用探索性数据发现没有促销的情况下顾客平均消费8.94欧数据分析方法对数据进行可视化分析获得数据分元,有促销活动的情况下平均消费10.18欧元布特征,理解原始数据的基本特征,发现数据之间的(3)星期( DayOf Week)对销售影响的可视化分潜在模式.找出数据中的有效特征析21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net278南昌大学学报(理科版)2017年40000表2商店薮据基本特征集30000特征名称含义值批20000ore商店号取值:1到1115商店类型10000商店类别分类:逢础类met最近的党争对手的距薮卷:桊商店0离里有761个商店有PromoCompetition-图2促销对销售额的影响Open SinceMonth竞争对手开张的月份月份Open since year竞争对手开张的年份年份数据6000P持续性的促销活动0:无,1:有的4000Prom2 Since Week开始参加Pomo2促销日历上的第几周数的日历周值2000Pomo2 Sincerer开始参加Pm2i年份数据PromoPromoInterval参加Pomn2促销开始Jan,Apr,Jo)e的月份列表Feb, May, Aug, Nov".图3促销对顾客数的影响Mar, Jun, Sept, Dec从图中可以看出,星期日的销售额中位数和上不同的分类特征在训练集和测试集中的比例见四分位数远远高出正常营业日,但是下四分位数却表3~6低于正常营业日,即有些商店星期日营业额高于平表3Open特征取值比例时,但也有一部分商店的销售额低于正常营业日。从图中也可以看出,从周一到周六,周一的销售额偏16.99高一些,星期六的销售额偏低一些test/yo14.5585,4440000表4Prom特征取值比例30000Pramo0凝train61.8538,15批2000test/%50.4239.5810000表5 Stateholiday特征取值比例y星期几1.990.660.40图4销售额在星期1~7中的分布情况test/%99.560.44由于篇幅的关系,对数据的可视化分析不表6 Schoolholiday特征取值比例列岀。根据这些数据的可视化化析,我们提取出如Schoclholiday表1所示和表2所示的训练数据和测试数据原始特test/%55.6544.35征集以及商店数据基本特征集。表1数据原始特征集3.3数据预处理持征名称含义3.3.1数据清洗为获得可训练用数据,我们对原tcre有店号取值:1到1115始数据进行清洗,具体过程如下:DayOfWeek星期几取值:1到7(1)标记异常数据。如商店是开门的,但是销Date时间如2013-01-01Sales销售额数值售额为零的数据为异常数据Customers顾客数数值(2)对训练集的 Sales销售额字段取对数,设置是否开店关店,1:开店为 Saleslog字段;P当天是否有促销0:无促销,1:促销0:非假日,a:公共假日;b:(3)缺失值用一1填充;State Holiday假日复活节,c:圣诞节(4)合并训练集和测试集,添加Set字段,用以SchoclHoliday学校假日0非假日,1:假日分训练集和测试集,值1为训练集,0为测试集;(3)数值化分类特征值。原始数据集中, State21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测holiday分类特征取值为0、a、b、c,无法代入模型计算因此重新编码为0、1、2、3; Store Type分类特4实验结果及分析值为a、b、c、d, Assortment分类特征值为a、b、c,采4.1实验条件用同样方法用整型数据重新编码(1)软件环境(6)分解特征。将原始数据集中Date特征分(a)操作系统: Windows7x64解为 DatcDay、 Datc Wcck、 DatcMonth、 Datc ycar(b)开发平台: Python2.7+R3.4.2DateDay OfYear5个特征(c)第三方库: Python: numpy+ pandas+(7)增加字段 PateNt,即Date转换为整型的 atplotlib I xgboost;R3.4.2库: data table|gg形式lot2tlubridate-zoo-dplyr+scales+xgboost+(8)规范化特征表达。对 Competition- forecast glmnetpen sinceRer和 CompetitionOpenSinceMonth字(2)硬件环境段合并成普通年月的表达,并转化为整型;将Pro处理器:Iner(R)Core(TM)i3-4160CPUcmoZsincc ycar和 Promo2 Since wcck字段合并成普3.60GHz通年月的表达,并转化为整型,增加字段内存:8GBPromo2 SinccInt4.2单 Boost模型()删除偏差大于2.5的异常数据。对特征工程后的所有特征用 Boost模型进行(10)删除存在异常的数据点,如图5所示的异训练,参数如表7所示。常数据。表7单 Boost模型参数25000参数值参数值15000thread500M4M小人Activereg: linear subsamplegrounds20000colsample bytearly stop. round250004.3组合模型0%时你以根据模型的作用将模型分为三类:商店模式模型、数据合并模型、混合模型。商店模式模型:下面采用单个模型是对每个商图5异常数据店进行单独拟合。这类模型关注商店各自的特性,3.3.2特征处理论文根据相关信息背景对数据但是它也错过了可在其他相似商店的模式中获取的进行特征处理:信息(1)增加字段 Competition OpenInt(1)线性模型lm拟合趋势,不带特征交互的(2)添加一些额外的特征,如商店的位置特征 Boost模型拟合残差StoreState发薪日效应特征 PayDay(在一个月的第(2)线性模型lm拟合趋势,带特征交互的Ⅹg个工作日设置特征值为3在随后的两天设置为 boost模型拟合残差2、1)(3)线性模型lm拟合趋势,不同参数值的(3)增加商店平均每天的销售额 Sales PerDay、 glmnet模型拟合残差平均每天的顾客数 CustomersPerDay、平均每天每(4)tslm模型拟合趋势丨季节性,Ⅹ gboost模位顾客的销售额 SalesPerCustomers Per Day作为新型拟合残差。的特征。(5)tslm模型拟合趋势十季节性, glmnet模型(4)增加特征组合,如: store; DayofWeek,拟合残差store: Dayofweek: Promo等等。(6)tslm模型拟合趋势十季节性,Ⅹ gboost模型+ gemnet模型拟合残差。(7)每个商店直接用Ⅹ gboost模型拟合残差。21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net·280·南昌大学学报(理科版)2017年这些模型中,含有 Boost模型的模型参数设1.5- A. train-rmspe- B. train-rmspe置如表8,其中模型7中参数 rounds值设为500。1.0-A.validation-rmspe-B validation表8组合 Boost的模型参数0.5参数值0150030004500600075009000参数值RMSPEreg: linear eta0.013C0max _ depth图6在训练集 train和验证集 validation上的 RMSPE值colsamplc bytrcc0.8subsample3.95图7给出了 Boost模型中非组合特征的重要数据合并模型:下列模型使用合并有 store数度得分,从图中可以看出时间类特征和有关竞争对据集和trai训练集的数据集。各个模型的参数设手的特征得分非常髙,这意味着这些特征对模型具置如表9-11有非常大的影响。表9没有特征工程的 Boost模型DateWeek参数参数CompetitionopenIntreg: lineareta0.01SalesperDayPromorounds3000max _depthcolsample bytreesubsampleAssortment 152100000020000003000000F score特征重要度表10有特征工程的 Boost模型图?特征重要度得分参数参数值bjectivereg: linear eta为了对比各模型的泛化效果,我们给出了单类模型(线性模型LM、时间序列线性模型TSLM、基4000subsoIl0.9于 Lasso和 Elastic net正则广义线性模型 glmnet、early stop. round100cclsample bytree极端梯度上升模型ⅹ gboost)和它们之间的组合模型在测试集上 RMSPE值,从而评价模型在测试集表11153个特征十特征交互的 Xgboost模型上的泛化能力。如表13所示参数值参数表13各模型 RMSPE值比较objectivereg: linear etaC.015max depth18模型RMSPE值.20657300CLM一简单的特征处理rounds. 1l.7TSLM+筒单的特征处理cCanvTree0.12751early stop. round100random forest-简单的特征处理glmnet+简单的特征工程3.11974组合模型:通过组合数据合并模型来获取跨多个商Boost十简单的特征工程0.11839店之间共同的特质。模型的残差用商店模式模型中Boost+特征工程Boost+ glmnet+特征工程0.11262的模型来拟合,从而获得每个商店的特质。用Igloos+ glmnet+tslm+lm+特征工程0.1114Gprcomp函数从数据中提取50个主成分,并用Xg从表中可以看出,Ⅹ ghost单模型的能力就优bost模型来拟合、计算残差。模型说明如下:于其它模型,在进行了简单特征工程后, Boost(1)使用线性模型lm拟合趋势,带特征交互的和 gemnet模型相比, Boost模型依然效果更好。glmnet模型+ Boost模型拟合残差,最后我们结合TSLM|LM在处理趋势和季节性上(2)使用tslm拟合趋势和季节性,带特征交互的优势,采用集成方法对 Xgboost+ glmnet进行组的 Boost模型拟合残差。合得出优化模型Ⅹ gboost+ glmnet+tslm+lm+特图6给出模型在训练集和验证集上的 RMSPE征工程, RMSPE值得到较大提升,泛化性能最优的变化过程,横坐标是次数,纵坐标是 RMSPE的值A是人工删除了异常点的数据中的异常数据5结论并没有删除。可以发现在训练集上训练的前500次本论文研究基于 Boost方法对实体零售业销RMSPE的值就迅速的降低到0.2,然后在1750次售额进行预测。论文以德国零售业 Rossmann公就在0.1左右了,可以看出在训练集上效果很好。司1115家实体门店的商场信息和销售数据为薮据21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net第3期饶泓等:基于 Boost的商业销售预测281·源,采用 Boost方法对公司销售额进行预测。参考文献通过在特征工程中对原始数据进行特征提取、L1」赵啸彬.基于数据挖掘的零售业销售预测LD.上海:选择和构建,筛选岀用于训练的特征属性;对比Xα上海交通大学.2010boost、随机森林、 GLMNET以及IM、TSIM模型2 CHEN T,HET. Higgs Boson Discovery with boosted等不同方法对销售额的预测结果,表明 Xgboosτ方TreesLCI.JMLR: Workshop and Conference Proceed法无论是训练速度还是在 RMSPE评价标准上都具2015.42:6980有明显的优势。3 ROBERT E. Banfield, Lawrence (. Hall. Kevin WBowyer. W. P. Kegelmeyer, A Comparison of Decision为了进一步提高 Boost预测模型的精度和泛Tree Ensemble Creation Techniques LI]. IEEE Trans-化能力,本文通过大量的特征工程,尝试多种模型的actions on Pattcrn Analysis and machinc intelligence集成学习方法和参数调优,利用 GLMNET和Xg2007,29(1):173-180boost模型拟合残差,并结合IM、TSLM在趋势和[]李航.统计学习方法[M]北京:清华大学出版社,李节性预测的优点,获得组合优化模型。实验表明2012该组合模型在性能上优于单一 Boost预测模型。[5]闻玲·移动平均季节模型在商品销售收入预测中的应这种基于Xⅹ gboost的组合模型不仅适用于对德AJ. Market Modernization, 2010(28):43-45国零售业销售额的预测还可以将此方法应用于国6黄伟陶俊才.一种基于k- means聚类和关监督学习内零售实体业甚至电商平台的销售额预测,对于提的医学图像分割算法[J].南吕大学学报(理科版),2(14,33(1):31-35高商店的运营生产模式、日常管理、价格管理、配送[7 RICE J Mathematical Statics and Data Analysis[M]方式及精准营销具有重要的意义cand Edition, Plymouth: Duxbury Press, 2006: 221-21994-2017ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net
    2021-05-06下载
    积分:1
  • l1-svd稀疏重构算法
    利用L1-SVD算法对信号进行稀疏重构,并且得到DOA估计,在信噪比低及信号相距很近时同样具有很好的效果
    2020-12-06下载
    积分:1
  • 基于Web服务简易网络聊天工具的设计与实现
    实现一个类似QQ的网络聊天软件的功能;服务端采用WebServices提供技术支持,客户端采用Windows窗体,为用户提供网络聊天的简单功能。 采用C/S结构,服务端采用WebServices作为服务的技术支持,客户端采用Windows Form实现。 开发工具选择Visual Studio 2010旗舰版,数据库使用SQL Server 2008;服务端采用两层结构,即DAL和BLL,数据访问层使用LINQ to SQL类来实现,大大简化该层的设计工作量;业务逻辑层使用LINQ来操作数据对象;
    2020-12-11下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载