卷积神经网络一般用来处理图像信息，对于序列这种一维的数据而言，我们就得采用一维的卷积，tensorflow中提供有专用的函数conv1d，各参数的使用说明如下：conv1d参数说明value输入数据，value的格式为：[batch, in_width, in_channels]，batch为样本维，表示多少个样本，in_width为宽度维，表示样本的宽度，in_channels维通道维，表示样本

1.香橙派OrangePi_AIpro开发板简介 可以把它理解为一台卡片电脑，类似于树莓派，有操作系统。从名字可以看出来，它具备了人工智能、深度学习开发相关的特性。官方对它的描述如下：Orange Pi AI Pro 开发板是香橙派联合华为精心打造的高性能AI 开发板，其搭载了昇腾AI 处理器，可提供8TOPS INT8 的计算能力，内存提供了8GB 和16GB两种版本。可以实现图像、视频等多种数

对于均匀线阵，俯仰角θ\thetaθ的定义域通常为θ∈(−90∘,90∘)\theta \in (-90^{\circ},90^{\circ})θ∈(−90∘,90∘)。设阵列参考点为ο\omicronο，即左起第一个阵元。由几何关系我们可以知道，第mmm个阵元相对于参考点的波程差为(m−1)dsinθ(m-1)d\rm{sin}\theta(m−1)dsinθ，因此我们可以得到第mmm个阵元相对

上图展示的是同时在距离维和多普勒维进行恒虚警检测的原理，如果只是在距离维或多普勒维做CFAR，检测单元的左右两侧均有设定好数量的保护单元和参考单元。不同的CFAR检测器适用于不同的场景，CA-CFAR算法适用于均匀环境中的单目标或彼此相距较远的多目标环境，在邻近多目标环境会发生目标的遮蔽效应，在杂波边缘会发生杂波边缘效应。从图中也可以看到，根据阈值的选择不同，有不同的检测器，其中CA-CFAR是取

在一些文献中看到有人说可以通过查表得方法，我个人觉得也是可行的，首先我们仿真出来大量的点，例如上图中，不同的角度对应不同的比值，取得点越多，角度分辨率越高，得到的表格也越大。在了解单脉冲测向之前，首先要知道普通波束形成，普通波束形成就是设计一组权值，使得对各个阵元接收到的信号进行加权求和之后，形成一种空间滤波，选择性的接收期望方向的信号而抑制其他方向的信号。比幅测向顾名思义，就是以差波束和和波束的

Matlab格式化输出是一项非常实用的技能。通过控制符和转义符等技巧，我们可以轻松地实现各种复杂的输出格式。学会正确使用Matlab的输出函数，将可以极大地提高代码的可读性和易用性。

汉明窗（hamming）和海宁窗（hann）类似，汉明窗的时域波形两端不能到零，而海宁窗时域信号两端是零。简单点说，hann窗比较稳，短期长期发挥稳定，hamming窗比较激进，短期发挥水平高，长期就没劲了。这些窗函数通常在时域上是有限的宽度，并且具有对称性，如矩形窗、汉宁窗、汉明窗和布莱克曼窗等。例如，汉明窗是一种对称窗函数，它可以用来平滑信号，减少频谱能量的泄漏，从而提高傅里叶变换后的频率分辨

最近写论文需要用到GB/T 7714-2015的参考文献格式，在网上找了好久，发现还需要积分、C币才能下载，挂着公共的资源赚积分的行为真可耻。下面给出我的链接，大家可以免费下载。链接: https://pan.baidu.com/s/11I9PsEF_x5p44Yd3VeTQsQ 提取码: 7uca...

今天在Latex中引用一篇参考文献，作者的名字有个字母上方有两个二声的符号：结果在Latex编译器中编译后始终无法正确显示这个带角标的字母’o’，而是显示出来一个问号。在网上找了好多帖子，最终终于解决了，办法是采用转义符号：{o}。除此之外还有很多特殊符号的编辑方法，如下：...