论文的主要工作和研究成果可以概括为以下几个方面：1，分析了微波射频滤波器的基本原理，频率变换规则。阐述了微波滤波器的新技术及其应用.2，研究分析了螺旋滤波器的基本理论，设计了一种工作在VHF/UHF波段的螺旋腔体带阻滤波器。论文以传统的带状线带阻滤波器作为着手点，采用电容耦合短截线谐振结构，将同轴线谐振器变换成螺旋线结构，有效地缩小了滤波器的体积。3，提出了一种结构新额的微带平面结构滤波器，采用双模谐振器结构形式。V/在辐射贴片上开十字交叉槽线来降低谐振频率。滤波器的输入输出请振臂使用L形开路结构，带外抑制非常好，高达-33dB，二次谐波被推移到基波的3倍频以外。论文采用理论分析与计算机辅助设计相结合的设计理念。对螺旋腔体带阻滤波器和双模微带带通滤波器进行了实物加工，实测结果与仿真结果相吻合.关键词：射频；滤波器；螺旋谐振器：双模谐振器
标签： 射频滤波器
上传时间： 2022-06-20
上传用户：突破自我
CorelDRAW 12的发布从一定程度上确立了新的文本引擎，使创建多语言文档成为可能。CorelDRAW12以其出色的文件兼容性以及高质量的内容来帮助您将创意变为专业作品：从与众不同的徽标和标志到引人注目的营销材料以及令人赏心悦目的Web图形，应有尽有。CorelDRAW 12的UI设计十分友好，为设计者提供了一整套的绘图工具包括圆形、矩形、多边形、方格、螺旋线，等等，并配合塑形工具，对各种基本以作出更多的变化，如圆角矩形，弧、扇形、星形等。同时也提供了特殊笔刷如压力笔、书写笔、喷洒器等，以便充分地利用电脑处理信息量大，随机控制能力高的特点。
上传时间： 2013-06-28
上传用户：eeworm
图纸矢量化中的线弧分离与识别。。。就是没有算法
上传时间： 2015-10-05
上传用户：hasan2015
通过每行的小节线特征提取出简谱部分, 然后通过投影法和种子填充算法定位出简谱符号基元的位置, 并由此采用不同的识别算法识别出每个简谱符号基元的类型, 最后通过组装把各个简谱符号组装成音乐特征符, 形成数字化乐谱。
上传时间： 2016-07-06
上传用户：sqq
用于空中目标识别的最近特征线分类器子程序。
上传时间： 2017-04-12
上传用户：qiaoyue
灰色关联度分析法是将研究对象及影响因素的因子值视为一条线上的点,与待识别对象及影响因素的因子值所绘制的曲线进行比较,比较它们之间的贴近度,并分别量化,计算出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象对研究对象的影响程度。
上传时间： 2017-06-08
上传用户：2467478207
在AD9中画螺旋形走线的方法，很实用！可以做天线或者PCB电感
上传时间： 2018-05-04
上传用户：wxj03030044
黑（白）线识别五路寻迹模块（包括“T”字等路口寻迹程序+PID控制程序+使用说明等）
上传时间： 2022-07-28
上传用户：hai7ying
指纹识别是在指纹图像上找到指纹的特征，通过计算机模糊比较的方法，把两个指纹的特征模板进行比较，计算出它们的相似程度，最终得到两个指纹的匹配结果。本文对现已存在的多种指纹识别算法进行编程比较，并对细化算法提出改进。同时采用基于ARM7TDMI内核的32位处理器S3C44B0作为主控制器，半导体电容传感器FPS200作为指纹数据采集设备，构建了自动指纹识别系统。论文完成主要工作如下： 1、指纹采集模块的设计：根据FPS200的相关寄存器资源和管脚特性，完成指纹传感器FPS200的电路设计；研究FPS200主要寄存器的功能和图像采集方式，给出FPS200在三种工作方式下的工作流程，并且对三种工作模式进行分析。 2、指纹识别算法研究：通过对现已存在的多种图像预处理算法进行编程实现和对比研究发现，细化后的图像多存在短线、断线、毛刺等干扰以及细化不彻底的现象，为此提出了新的修复算法：分析目标点周围纹线的走向趋势，选择去除或者保留周围的相连点，较好地解决了细化不彻底的问题；再对细化后的图像采用方形模板进行纹线跟踪，去除伪特征点，克服了逐步递进的纹线跟踪算法过于复杂、不易实现等问题。 3、采用Sansung公司基于ARM7TDMI内核的32位RISC处理器S3C44B0，构建了自动指纹识别系统。该系统主要包括电源管理部分、指纹图像采集模块、存储器模块、JTAG调试接口以及与外设连接的串行接口。硬件部分主要完成指纹采集模块接口的设计与开发，软件部分主要完成指纹图像采集程序、指纹识别算法程序和串口通信程序的开发，此外还通过串口实现指纹数据上传到上位机，在VB环境下实现了简易的人机交互软件，提供指纹图像的直观显示，用于对指纹识别程序进行测试，并对测试结果进行了分析。
上传时间： 2013-05-22
上传用户：Andy123456
提出了一种改进的LSM-ALSM子空间模式识别方法，将LSM的旋转策略引入ALSM，使子空间之间互不关联的情况得到改善，提高了ALSM对相似样本的区分能力。讨论中以性能函数代替经验函数来确定拒识规则的参数，实现了识别率、误识率与拒识率之间的最佳平衡；通过对有限字符集的实验结果表明，LSM-ALSM算法有效地改善了分类器的识别率和可靠性。关 键 词 学习子空间; 性能函数; 散布矩阵; 最小描述长度在子空间模式识别方法中，一个线性子空间代表一个模式类别，该子空间由反映类别本质的一组特征矢量张成，分类器根据输入样本在各子空间上的投影长度将其归为相应的类别。典型的子空间算法有以下三种[1, 2]：CLAFIC(Class-feature Information Compression)算法以相关矩阵的部分特征向量来构造子空间，实现了特征信息的压缩，但对样本的利用为一次性，不能根据分类结果进行调整和学习，对样本信息的利用不充分；学习子空间方法(Leaning Subspace Method, LSM)通过旋转子空间来拉大样本所属类别与最近邻类别的距离，以此提高分类能力，但对样本的训练顺序敏感，同一样本训练的顺序不同对子空间构造的影响就不同；平均学习子空间算法(Averaged Learning Subspace Method, ALSM)是在迭代训练过程中，用错误分类的样本去调整散布矩阵，训练结果与样本输入顺序无关，所有样本平均参与训练，其不足之处是各模式的子空间之间相互独立。针对以上问题，本文提出一种改进的子空间模式识别方法。子空间模式识别的基本原理1.1 子空间的分类规则子空间模式识别方法的每一类别由一个子空间表示，子空间分类器的基本分类规则是按矢量在各子空间上的投影长度大小，将样本归类到最大长度所对应的类别，在类x()iω的子空间上投影长度的平方为()211,2,,()argmax()jMTkkjpg===Σx (1)式中 函数称为分类函数；为子空间基矢量。两类的分类情况如图1所示。
上传时间： 2013-12-25
上传用户：熊少锋
