SIM卡封装， SD卡封装， TF卡封装，基于Altium Designer16

SIM卡封装，nano,sim8,抽屉式，金属外壳式，AD封装，可转pads,可转protel

去雾评价指标，熵，PSNR，SSIM，MSE，

基于multisim 14.0的多功能数字时钟仿真。能进行正常的时、分、秒计时功能；分别由六个数码管显示时、分、秒的计时；系统有时钟保持功能；系统有时钟清零功能；系统能够进行快速较分校时； 时钟具有整点报时功能（时钟从59′53″开始报时，在59′53″、 59′55″和59′57″、时报时频率为500Hz，59′59″时报时频率为1KHz）。

直方图均衡的Verilog实现 从Matlab读出图像为image.txt文件，经过Modelsim读入TXT文件进行直方图均衡处理，将输出结果再读出为image_he.txt文件，然后在Matlab观察直方图均衡增强效果，由于Matlab中直方图统计概率近似小数所以计算出为近似值，而FPGA中应用移位代替除法所以计算出为准确值，实验表明，硬件实现和Matlab软件直方图均衡处理达到了共同的效果！

7.3 参考资料 7.3.1 可用的特殊的.m文件 这一部分将对存储在 AMESim 系统中的特殊的.m 文件进行一下说明，而且对于常用 的.m文件还有些例子。有些文件是从其它地方调入进来的，正常情况下，你不能直接使 用它们。你可以直接使用的文件如下所示： l amebode.m在一个被 AMESim生成的.jac文件下被执行，用来绘制波特图。系统 可以是显示的或隐式的。 l ame2data.m如果你使用了 AMESim的绘图下拉菜单中的 Export values工具来生 成了一个数据文件，你可以在 MATLAB中使用这个公用命令来读取这些数据。 l ameloadj.m将把一个在 AMESim中线性化的结果装载到 MATLAB中。具体的例子 参见 7.2.5节 将 AMESim中的线性化结果导入 MATLAB中。 l ameloadt.m将把全部的 AMESim结果装载到 MATLAB中。具体的例子参见 7.2.3 节 将 AMESim结果导入 MATLAB中。 l data2ame.m 将生成一个通过选择 AMESim 的绘图下拉菜单中的 Open 来打开的 ASCII码格式的文件。 l fx2ame.m将保存数据为一种合适的格式来进行一维插值，供与图标相关的子模 型使用。 l fxy2ame.m将保存数据为一种合适的格式来进行二维插值，供与图标相关的子模 型使用。 l ss2ame.m 将取出被定义为状态空间描述的矩阵 A、B、C 和 D，并把它们转换为 可以被 AMESim读取的 ASCII格式的文件。具体的说明参见 7.3.3节 将 MATLAB 中的线性系统导入到 AMESim中。 l tf2ame.m 将取出一个连续的传递函数并把它们转换为可以被 AMESim 读取的 ASCII 格式的文件。具体的说明参见 7.3.3 节 将 MATLAB 中的线性系统导入到 AMESim中。 l amegetp.m将从一个已命名的 AMESim系统中来得到参数。具体使用的例子参见 7.2节 示例，具体的语法说明参见 7.3.4节 在 MATLAB中运行 AMESim仿真。 l ameputp.m将为一个已命名的 AMESim系统中来设置参数。具体的语法说明参见 7.3.4节 在 MATLAB中运行 AMESim仿真。 PDF 文件使用 "pdfFactory Pro" 试用版本创建 www.fineprint.cn

对于所有对象及其功能，质量是非常重要的参数。 在基于图像的对象识别中，图像质量是主要标准。 为了进行真实的图像质量评估，必须具备地面真实性。 但是在实践中，很难找到基本事实。 通常，图像质量是通过完整的参考指标（例如MSE（均方误差）和PSNR（峰值信噪比））进行评估的。 与MSE和PSNR相比，最近，又开发了两个更多的参考度量标准SSIM（结构相似性索引方法）和FSIM（特征相似性索引方法），目的是在此基础上比较还原对象和原始对象之间的结构和特征相似性度量知觉。 本文主要强调比较不同的图像质量指标以提供全面的观点。 通过对不同的噪声浓度进行降噪，可以使用基准图像对这些指标进行实验。 所有指标均给出一致的结果。 但是，从表示的角度来看，对SSIM和FSIM进行了归一化，但对MSE和PSNR未进行归一化。 从语义的角度来看，MSE和PSNR仅给出绝对误差。 另一方面，SSIM和PSNR给出了基于感知和显着性的误差。 因此，与MSE和PSNR相比，可以更容易理解SSIM和FSIM。

基于multisim的多功能数字钟仿真，不使用单片机。为纯逻辑门等数字电路。可以实现校准，闹钟，定时，秒表，整点报时功能。

基于Pytorch的中文语义相似度匹配模型 基于Pytorch的中文语义相似度匹配模型 本项目将持续更新，对比目前业界主流文本匹配模型在中文的效果 运行环境：python3.7，pytorch1.2，transformers2.5.1 数据集采用LCQMC数据（将一个句子对进行分类，判断两个句子的语义是否相同（二分类任务）），因数据存在涉嫌嫌疑，故不提供下载，需要者可向官方提出数据申请 ，将数据解压到数据文件夹即可。模型评价指标为：ACC，AUC以及预测总计耗时。 嵌入：本项目输入都统一采用分字策略，故通过维基百科中文语料，训练了字向量作为嵌入。训练语料，矢量模型以及词表，可通过百度网盘下载。链接： : 提取码：s830 模型文件：本项目训练的模型文件（不一定最优，可通过超参继续调优），也可通过网盘下载。链接： : 提取码：s830 测试集结果对比： 模型 行政协调会 AUC 耗时（s

Deep text matching 1、前言 Github 上面有很多文本匹配项目，本项目工作主要借鉴了 和 ，模型的代码风格来自前者。另外模型是使用 keras 深度学习框架进行复现的，主要也是使用的前者的复现代码，只是增加了个别模型的复现，也去除了一些我觉得不太重要的模型；另外，由于本项目只是实验层面探索，所以将 matchzoo 源码中一些和模型无关的很多代码进行了删减，同时对部分模型的结构进行了细微的调整，没有完全遵从论文里的设置。 我使用这些模型在2018年蚂蚁金服的文本匹配竞赛数据集（数据集来自text matching 上传，因此数据的预处理代码也使用的该项目的代码）上进行了一些实验，另外我借鉴了 项目的代码测试了几个 bert 系列模型（bert 及其变体）。由于训练集、验证集、测试集中的正负样本比例都是1:1，因此我使用了准确率这一评价指标来衡量了这些模型的性能，结果