AHP

基于pscad实现的三相电流源型逆变器，GTO(Based on pscad for three-phase current-source inverter)

验证方法学文档，用于验证方法学习，验证平台搭建。(the method of verification)

matpower6.0潮流计算工具，可以直接加入工具箱。(Matpower6.0 power flow calculation tool, can be directly added to the toolbox.)

数组堆栈与链表堆栈的实现代码-array stack and the realization Chain stack code

说明：  matlab代码实现TDOA定位，内容简单实用，有需要的朋友请下载(The matlab code realizes TDOA positioning, the content is simple and practical, please download if you need it)

稀疏重构算法SPICE对时域非均匀采样信号进行重构。压缩包含源代码SPICE.m的参考文献，源代码中只包含SPICE算法，不包含参考文献中的其他对比算法。(Sparse reconstruction algorithm SPICE to reconstruct the time domain non uniformly sampled signals. Compression contains reference source code SPICE.m, the source code contains only SPICE algorithm, does not contain references to other comparative algorithms.)

这个程序是关于利用GMT算法对消静止目标和检测动目标，包括SAR成像的一系列处理流程！(This program is about a series of processing processes that use the GMT algorithm to eliminate static targets and detect moving targets, including SAR imaging!)

Delphi 进程三级跳实现真隐藏，真正隐藏进程，在状态栏可显示窗口，但在Windows进程列表中，你找不到此程序的进程。

一首VHDL自动音乐发生器程序，在Altera EDA软件下测试通过-VHDL an automatic music generator procedures, Altera EDA software under test

在机动目标跟踪中，机动目标模型是机动目标跟踪的基本要素之一，一般希望机动目标模型能准确表征目标机动时的各种运动状态。比较常用的模型有匀速运动(CV)模型、匀加速运动(CA) 模型、时间相关模型（Singer）和机动目标“当前”统计模型。上述模型均采用机动频率表征目标的机动情况。在应用当中，通常采用固定的机动频率，这就表示机动目标的机动时间是一定的，而实际上机动目标的机动时间是不断变化的，也就是说机动频率是不断变化的，采用固定机动频率必然会带来误差。采样周期在0.5―2S时，机动频率越小跟踪精度越高[1]，但机动频率仍然是固定值。本文提出的基于神经网络的机动频率自适应调整方法可以使机动频率随机动而变化，从而提高状态估计的准确性，提高跟踪精度。本文将小波神经网络用于机动目标跟踪中机动频率的自适应调整，该算法对机动目标“当前”统计模型中的机动频率进行实时修改, 从而自适应的改变机动频率,使跟踪算法与目标的真实状态更接近。该算法采用小波神经网络的离线训练，实时性好。-The maneuver of the maneuvering target is uncertain. The maneuvering frequency is constantly changeable, but traditionally it is beforehand determined as a constant based on the target state estimation in the state model of the maneuvering target. The maneuver of the maneuvering target makes the kinematics equation of the target model mismatch with the practical motion model and the tracking error will be increased. Based on the advantages of the self-learning, the rapid convergence rate and the nonlinear approximation ability of the wavelet neural network,