卷积神经网络（CNN）是深度学习（DL）模型的一种1、在整个神经网络结构中，通常分为:卷积层、池化层、归一化层、非线性层和全连接层。有关各层的详细作用及工作原理见博客https://blog.csdn.net/yjl9122/article/details/701983572、其中有许多不易理解的名词，有关解释见博客https://blog.csdn.net/weixin_4001346...

卷积神经网络（CNN）是深度学习（DL）模型的一种1、在整个神经网络结构中，通常分为:卷积层、池化层、归一化层、非线性层和全连接层。有关各层的详细作用及工作原理见博客https://blog.csdn.net/yjl9122/article/details/701983572、其中有许多不易理解的名词，有关解释见博客https://blog.csdn.net/weixin_4001346...

强对偶性与KKT条件1. 强对偶性：强对偶性意味着原问题与对偶问题的最优值达到相等，没有对偶间隙。强对偶性不总是成立（即使是对于凸问题）。凸问题usually (but not always)有强对偶性。有很多条件使强对偶性成立，这些条件称为constraint qualifications.其中之一就是Slater’s condition:(Slater condition 是凸问题强对偶性成立

USRP系列（二）：USRP作用、组件及产品系列介绍本文是该系列文章中的第二篇，主要对USRP的作用、组件以及系列产品进行介绍。

毫米波信道中S-V模型常涉及天线阵列的导向矢量，本文具体推导ULA及UPA天线阵列的导向矢量，便于记忆。

本专栏介绍通用软件定义无线电USRP，让大家对USRP以及该系列产品有个基本的认识。打算分几篇Blog从以下几个方面介绍：SDR的概念及介绍USRP的作用、组件、产品系列（包括NI和Ettus Research）NI与Ettus Research的关系及产品区别什么是USRP RIO及什么是stand-alone 的USRP首先第一篇文章介绍下SDR的基本知识：

毫米波信道中S-V模型常涉及天线阵列的导向矢量，本文具体推导ULA及UPA天线阵列的导向矢量，便于记忆。

无法打开Zotero数据库解决方案