学习 Hybrid Beamforming for Millimeter Wave Systems Using the MMSE Criterion
链接: https://github.com/TianLin0509/Hybrid-Beamforming-for-Millimeter-Wave-Systems-Using-the-MMSE-Criterion.
Hybrid Beamforming for Millimeter Wave Systems Using the MMSE Criterion
- 摘要:
- Contributions
- 场景建模
- problem Formulation
- 问题求解
- 混合传输设计
- 流形算法
- 求导过程
- GEVD 方法
- 初始化方法
- 宽带毫米波系统
- A lower bound (Jensen's inequality)
- 琴森不等式:
- Upper Bound for Minimization (better algorithm) 逆矩阵特征值的性质
- Courant-Fischer min-max theorem 极大极小定理
- 韦尔定理 Wely theorem
- 矩阵求逆定理(matrix inversion lemma)
- Lemma3,(BHAB)−1特征值小于BHA−1B(B^HAB)^{-1}特征值小于B^HA^{-1}B(BHAB)−1特征值小于BHA−1B
Author : 林田
摘要:
- 首先提出了 ** manifold optimization-based HBF ** algorithm is first proposed, which is directly handled the constant modulus constrains of the analog component and proved its convergence.
- For narrowband scenario, propose a low-complexity general eigenvalue decomposition-based HBF algorithm
- For broadband scenario, propose three algorithms via the eigenvalue decomposition and orthogonal matching pursuit (正交匹配追踪)
Contributions
- aiming at minimizing the modified MSE .
在宽带场景下,挑战是 数字预编码 should be optimized for == different subcarriers == while the ** analog one ** is == invariant== for the whole frequency band. (数字需要根据不同的子载波设计,而模拟在整个频带中是保持不变的)。
- 分解原始的 sum-MSE 最小化问题为 传输混合预编码 和接受合并设计两个子问题,分析发现两个子问题可以统一为几乎相同的表达式。
- 首先针对模拟预编码的常量模约束,采用MO方法。 不同于论文[18] X. Yu, J.-C. Shen, J. Zhang, and K. B. Letaief, “Alternating minimization algorithms for hybrid precoding in millimeter wave MIMO systems,”中采用的MO方法最小化混合预编码与全数字预编码之间的Euclidean 距离,本文采用MO直接最小化 sum-MSE。并且推出了更加复杂的Euclidean 共轭梯度。
- 为了降低MO算法的复杂度,提出了几个低复杂度的算法,在窄带场景,展现了模拟波束成形可以以 列到列的优化方式采用GEVD(general eigen-decomposition) 方法求解。
- 在宽带场景下,求出了原始目标函数的上界与下界,提出了两种基于eigen-decomposition (EVD)的算法。
场景建模
端到端的窄带毫米波MIMO场景:
通过Nt个发送天线以及Nr个接收天线对Ns个数据流进行传输。Ns X 1 的数据流首先经过基带数字预编码然后通过模拟预编码VRF。
problem Formulation
本文采用最小化MSE作为优化目标:
这个MSE也被称为 ** modified MSE** ,其中β\betaβ为标量因子,与混合预编码一起优化,物理意义上是将接收到的信号放大/缩小一定的幅度, 使之更接近于原始信号。。 那么为什么要引入β\betaβ这个因子呢?
- 第一, 在传统的MIMO波束成形研究中, 在设计预编码矩阵的时候, 如果以原始的MSE(无β\betaβ)为目标, 会发现预编码矩阵的设计与噪声能量无关! 这其实不符合MSE的初衷。 而如果引入ββ, 预编码矩阵的解就与噪声能量相关, 也因此可以达到更合理的性能。
- 第二, 从数学意义上而言, 混合波束成形问题中,需要求解四个矩阵,愈发复杂。 而以传统MSE为目标求解的时候, 考虑发送的功率约束, 需要引入拉格朗日乘子, 这个乘子非常难求,且影响后续对其他矩阵的设计。 而引入β\betaβ后, 后面的推导会证明大大简化了数学求解难度。
- 第三, 引入β\betaβ后, 可以使得 固定接收端解发送端 和 固定发送端解接收端 两个子问题可以化为完全一致的形式, 也就可以用同样的算法来求解了。
- (以上分析转载于作者,链接:
https://blog.csdn.net/weixin_39274659/article/details/108208409).
在研究点到点的传输系统中,接收端也会有波束赋形的操作,因此scaling也可以视为在接收端完成。通过调整这个参数β\betaβ以获得更好的结果,同时能调整总传输能量约束。
求解MSE:
可以发现在噪声项中也有参数β\betaβ。
同时模拟预编码端需要满足 每一个元素都要为连续模约束: ∣[VRF]ik∣=1|[V_{RF}]_{ik}|=1∣[VRF]ik∣=1
问题求解
原式中存在五个变量,因此考虑分解为两个子问题。
混合传输设计
首先考虑优化混合预编码以及β\betaβ参数。原始VBV_BVB可以分解为VB=βVuV_B=\beta V_uVB=βVu,其中VUV_UVU是一个没有归一化的基带预编码。固定了W后,可以得到等效信道 H1=HHWRFWBH_1=H^H W_RF W_BH1=HHWRFWB。
- 优化算法首先固定VRFV_{RF}VRF找到最优的数字预编码VUV_UVU,以及β\betaβ,然后更新目标函数为VRFV_{RF}VRF,最终进一步通过最小化目标函数以及连续模约束优化VRFV_{RF}VRF。
可以发现第一个约束的等号一定成立,因此可以计算处
β=(VRFVUVVHVRFH)−1/2\beta=(V_{RF} V_U V_V^H V_{RF}^H)^{-1/2}β=(VRFVUVVHVRFH)−1/2
利用KKT条件,即将β\betaβ带入到目标函数中求导即可计算VUV_UVU的封闭式解。带回原式推导得到基于VRFV_{RF}VRF的MSE表达式
流形算法
求导过程
MO方法:为了能够处理连续模约束,Mo方法可以用于获得局部最优VRFV_{RF}VRF.。
流行优化也叫黎曼优化。
- 本质上是一种梯度下降法, 然而基本的梯度下降法是在整个欧式空间中进行下降, 因此无法保证下降后的解仍满足 恒模约束, 所以无法直接用于求解VRFV_{RF}VRF 。
- 而流形优化, 则是首先将满足恒模约束的所有可行解表示为一个流形, 其后每步迭代后都将解映射回这个流形之上, 也因此可以确保结果永远满足恒模约束。
- 最重要的是, 已经有严谨的数学证明了这样的迭代过程是严格收敛的, 因此可以将 流形优化 理解为 在可行集上进行下降的梯度下降法。
- 要想使用流形优化, 你需要求解目标问题的梯度, 然后就可以在这个框架下用下降法求出一个解了。
步骤4详解: - step1: 投影Euclidean梯度到切线空间上以获得Riemannian梯度。
- step2: 在切线空间中沿着Riemannian梯度寻找最优点,采用Armijo-Goldstein确定步长
- step3: 将寻找到的最优点缩回到流型中。
然而这个流形算法是基于梯度运算的,因此会产生很高的计算复杂度。
GEVD 方法
对于大尺度MIMO系统, 不同波束流的最优的模拟预编码彼此之间是相互正交的,因此有VRFHVRF≈NtINRFV_{RF}^H V_{RF} \approx N_t I_{N_{RF}}VRFHVRF≈NtINRF (注意顺序)
所以基于VRFV_{RF}VRF的MSE可以简化为:
J(VRF)=tr((INS+1σ2wH1HVRFVRFHH1)−1)J(V_{RF})=tr((I_{N_S} +\frac{1}{\sigma^2 w}H_1^HV_{RF}V_{RF}^HH_1)^{-1}) J(VRF)=tr((INS+σ2w1H1HVRFVRFHH1)−1)
基于这样变化后,VRFV_{RF}VRF能够以列到列的方式优化。定义VmV_{m}Vm为移除mmmth矩阵后剩余矩阵。
因此我们可以设定以优化完第第mmm列剩余的元素进行重新定义,即:
Am=INS+1σ2wNtH1HVmVmHH1A_m =I_{N_S}+\frac{1}{\sigma^2wN_t}H_1^HV_mV_m^HH_1Am=INS+σ2wNt1H1HVmVmHH1。同时对于
逆矩阵存在一个性质,即对于满矩阵A,以及矩阵为1的矩阵B,满足:
(A+B)−1=A−1−A−1BA−11+tr(A−1B)(A+B)^{-1} =A^{-1}-\frac{A^{-1}BA^{-1}}{1+tr(A^{-1}B)} (A+B)−1=A−1−1+tr(A−1B)A−1BA−1
所以:
J(VRF)=tr((INS+1σ2wH1HVmVmHH1+1σ2wH1HvmvmHH1)−1)=tr((Am+1σ2wH1HvmvmHH1)−1)=tr(Am)−1−tr(1σ2w(Am)−1H1HvmvmHH1(Am)−1)1+tr(1σ2w(Am)−1H1HvmvmHH1)J(V_{RF})=tr((I_{N_S} +\frac{1}{\sigma^2 w}H_1^HV_{m}V_{m}^HH_1+\frac{1}{\sigma^2 w}H_1^Hv_{m}v_{m}^HH_1)^{-1}) \\=tr((A_m+\frac{1}{\sigma^2 w}H_1^Hv_{m}v_{m}^HH_1)^{-1}) \\=tr(A_m)^{-1}-\frac{tr(\frac{1}{\sigma^2 w}(A_m)^{-1}H_1^Hv_{m}v_{m}^HH_1(A_m)^{-1})}{1+tr(\frac{1}{\sigma^2 w}(A_m)^{-1}H_1^Hv_{m}v_{m}^HH_1)} J(VRF)=tr((INS+σ2w1H1HVmVmHH1+σ2w1H1HvmvmHH1)−1)=tr((Am+σ2w1H1HvmvmHH1)−1)=tr(Am)−1−1+tr(σ2w1(Am)−1H1HvmvmHH1)tr(σ2w1(Am)−1H1HvmvmHH1(Am)−1)
对于矩阵的迹有tr(AB)=tr(BA)tr(AB)=tr(BA)tr(AB)=tr(BA)
J(VRF)=tr(Am)−1−tr(vm1σ2w(Am)−1H1HH1(Am)−1vmH)1+tr(vm1σ2w(Am)−1H1HH1vmH)=tr(Am)−1−tr(vmUmvmH)1+tr(vmWmvmH)J(V_{RF})=tr(A_m)^{-1}-\frac{tr(v_{m}\frac{1}{\sigma^2 w}(A_m)^{-1}H_1^HH_1(A_m)^{-1}v_{m}^H)}{1+tr(v_{m}\frac{1}{\sigma^2 w}(A_m)^{-1}H_1^HH_1v_{m}^H)} \\=tr(A_m)^{-1}-\frac{tr(v_{m}U_mv_{m}^H)}{1+tr(v_{m}W_mv_{m}^H)} J(VRF)=tr(Am)−1−1+tr(vmσ2w1(Am)−1H1HH1vmH)tr(vmσ2w1(Am)−1H1HH1(Am)−1vmH)=tr(Am)−1−1+tr(vmWmvmH)tr(vmUmvmH)
Um=tr(1σ2wH1(Am)−2H1H)U_m=tr(\frac{1}{\sigma^2 w}H_1(A_m)^{-2}H_1^H)Um=tr(σ2w1H1(Am)−2H1H),Wm=1+tr(1σ2wH1(Am)−1H1H)W_m=1+tr(\frac{1}{\sigma^2 w}H_1(A_m)^{-1}H_1^H)Wm=1+tr(σ2w1H1(Am)−1H1H) 可以发现两个都是Hermitian 矩阵。
因此可以固定 VmV_{m}Vm,来对vmv{m}vm逐次优化——> Um,WmU_m,W_mUm,Wm都是Hermitian矩阵,所以最小化J(VRF)J(V_{RF})J(VRF)或者说最大化vmv{m}vm也就是寻找 Um,WmU_m,W_mUm,Wm的最大特征值所对应的最大特征向量。
同时考虑连续模约束,一种有效的方法是只将每个特征向量的幅值提取出来。
初始化方法
不同于传统的随机初始化,本文中采用了以全数字预编码作为初始值。
整个优化过程从发射端优化,因此可以将接收结合处的预编码作为全书子与编码。W(0)W^{(0)}W(0),将这种发放叫为virtual full digital beamformer method(VFD)。
值得注意的是,由于VFD初始化方法在一侧假定了虚拟全数字波束形成器,通常不能使用HBF结构直接实现,因此需要至少一次外部迭代来获得两边的混合波束形成器
宽带毫米波系统
由于毫米波的大型可用带宽,会出现频率选择性衰落。
由于考虑宽带毫米波,要考虑多个载波系统,更为复杂,然而主要思想还是相同的。
目标函数是求解N个子载波的最小总MSE:minimizeJ(VRF)=∑k=0N−1Jk(VRF)minimize J(V_{RF})=\sum_{k=0}^{N-1}J_k(V_{RF})minimizeJ(VRF)=∑k=0N−1Jk(VRF)
对于比较复杂的优化问题 ,一般采取求解其上界或者下届来寻找近似解。同时为了处理常量模约束,考虑先去掉这个约束,而在最后求解时直接提取其幅值,并加上大规模天线阵中模拟预编码正交特性: VRFHVRF=NtIRFV_{RF}^HV_{RF}=N_tI_{RF}VRFHVRF=NtIRF
A lower bound (Jensen’s inequality)
琴森不等式:
对于凸函数F(X)F(X)F(X),满足权重参数
a1+a2+...+an=1a_1+a_2+...+a_n=1 a1+a2+...+an=1
,有:
f(a1x1+a2x2+...+anxn)≤a1f(x1)+...+anf(xn)f(a_1x_1+a_2x_2+...+a_nx_n) \leq a_1f(x_1)+...+a_nf(x_n) f(a1x1+a2x2+...+anxn)≤a1f(x1)+...+anf(xn)
ϕ(∑i=1nxiai)≤∑i=1Nsϕ(xi)ai\phi(\sum_{i=1}^nx_ia_i)\leq\sum_{i=1}^{N_s}\phi(x_i)a_iϕ(∑i=1nxiai)≤∑i=1Nsϕ(xi)ai
所以对于MSE有:
tr(Q−1)=∑i=1Ns1λi,k=Ns1Ns∑i=1Ns1λi,k≥Ns∗∑i=1Ns11Nsλi,k=∑i=1NsNs2λi,ktr(Q^{-1})=\sum_{i=1}^{N_s}\frac1{\lambda_{i,k}}=N_s\frac1{N_s}\sum_{i=1}^{N_s}\frac1{\lambda_{i,k}} \geq N_s*\sum_{i=1}^{N_s}\frac1{\frac1{N_s}\lambda_{i,k}} \\=\sum_{i=1}^{N_s}\frac{N_s^2}{\lambda_{i,k}}tr(Q−1)=∑i=1Nsλi,k1=NsNs1∑i=1Nsλi,k1≥Ns∗∑i=1NsNs1λi,k1=∑i=1Nsλi,kNs2
Lamada1: J(VRF)≥N2Ns2sumk=0N−1tr(Qk)J(V_{RF})\geq \frac{N^2N_s^2}{sum_{k=0}^{N-1}tr(Q_k)}J(VRF)≥sumk=0N−1tr(Qk)N2Ns2 推导出了下届
因此, instead of the objective function, we devote to minimize the lower bound ,which is equivalent to maximizing the ∑k=0N−1tr(Qk){\sum_{k=0}^{N-1}tr(Q_k)}∑k=0N−1tr(Qk)
可以证明,最优的VRFV_{RF}VRF是(∑k=0N−1H1,kH1,kH)({\sum_{k=0}^{N-1}H_{1,k}H^H_{1,k}})(∑k=0N−1H1,kH1,kH)最大的前NRFN_{RF}NRF个特征向值对应的特征向量的Nt\sqrt {N_t}Nt倍。
To further make the constant modulus constraint satisfied, we just extract the phase of each element of the optimalNRFN_{RF}NRF
Upper Bound for Minimization (better algorithm) 逆矩阵特征值的性质
Courant-Fischer min-max theorem 极大极小定理
首先,本定理针对的是Hermitian 矩阵, 即共轭对称矩阵。 因为只有共轭对称矩阵的特征值是确定为实数值的。
韦尔定理 Wely theorem
这个定理可以推出一些有用的结论:
- 可以确定两个共轭对称矩阵和 的 特征值的 范围。
- 一个共轭对称矩阵 加上一个正定共轭对称矩阵, 特征值必增大。
矩阵求逆定理(matrix inversion lemma)
(A+BCD)−1=A−1−A−1B(DA−1B+C−1)−1DA−1(A+BCD)^{-1}=A^{-1}-A^{-1}B(DA^{-1}B+C^{-1})^{-1}DA^{-1} (A+BCD)−1=A−1−A−1B(DA−1B+C−1)−1DA−1
了解了以上定理后, 我们开始思考上界参数。
J(VRF)=∑k=0N−1tr((INs+1σ2wkNtH1,kHVRFVRFHH1,k)−1)J(V_{RF})=\sum_{k=0}^{N-1}tr((I_{N_s}+\frac1{\sigma^2w_kN_t}H_{1,k}^HV_{RF}V_{RF}^HH_{1,k})^{-1})J(VRF)=k=0∑N−1tr((INs+σ2wkNt1H1,kHVRFVRFHH1,k)−1)
通过迹的性质可以变形为
J(VRF)=∑k=0N−1tr(VRFH(INt+1σ2wkNtH1,kH1,kH)VRF)−1)J(V_{RF})=\sum_{k=0}^{N-1}tr(V_{RF}^H(I_{N_t}+\frac1{\sigma^2w_kN_t}H_{1,k}H_{1,k}^H)V_{RF})^{-1})J(VRF)=k=0∑N−1tr(VRFH(INt+σ2wkNt1H1,kH1,kH)VRF)−1)
令A=INt+1σ2wkNtH1,kH1,kHA=I_{N_t}+\frac1{\sigma^2w_kN_t}H_{1,k}H_{1,k}^HA=INt+σ2wkNt1H1,kH1,kH可以发现中间存在一个类似于XHAXX^HAXXHAX的项并且满足XHX=NtINRFX^HX=N_tI_{N_RF}XHX=NtINRF
Lemma3,(BHAB)−1特征值小于BHA−1B(B^HAB)^{-1}特征值小于B^HA^{-1}B(BHAB)−1特征值小于BHA−1B
因此提出lamma3 :对于一个a×aa\times aa×a的正定Hermitan矩阵A,以及随机的a×b(a>b)a\times b (a>b)a×b(a>b)准酉矩阵,满足:BHB=InB^HB=I_nBHB=In,定义下面两式的特征值:
(BHAB)−1,BHA−1B(B^HAB)^{-1},B^HA^{-1}B (BHAB)−1,BHA−1B
以descending order 排列,有μ1,..,μn\mu _1,..,\mu _nμ1,..,μn和λ1,...,λn\lambda _1,...,\lambda _nλ1,...,λn。有 μk≤λk\mu _k\leq \lambda_kμk≤λk
证明:
- Courant-Fisher min-max theorem
- Jensen’s 不等式:
xHxxHAx≤xHA−1xxHx\frac{x^Hx}{x^HAx}\leq\frac{x^HA^{-1}x}{x^Hx} xHAxxHx≤xHxxHA−1x
(ϕ(∑i=1nxiai)≤∑i=1Nsϕ(xi)ai\phi(\sum_{i=1}^nx_ia_i)\leq\sum_{i=1}^{N_s}\phi(x_i)a_iϕ(∑i=1nxiai)≤∑i=1Nsϕ(xi)ai)
J(VRF)=∑k=0N−1tr(VRFH(A)VRF)−1)≤∑k=0N−1tr(VRFH(A)−1VRF)=tr(VRF(∑k=0N−1H(A)−1)VRF)J(V_{RF})=\sum_{k=0}^{N-1}tr(V_{RF}^H(A)V_{RF})^{-1}) \\\leq\sum_{k=0}^{N-1}tr(V_{RF}^H(A)^{-1}V_{RF}) \\=tr(V_{RF}(\sum_{k=0}^{N-1}H(A)^{-1})V_{RF}) J(VRF)=k=0∑N−1tr(VRFH(A)VRF)−1)≤k=0∑N−1tr(VRFH(A)−1VRF)=tr(VRF(k=0∑N−1H(A)−1)VRF)
第二个等号是考虑模拟预编码在N个子载波中是相同的。 - 矩阵求逆定理
A−1=(INt+1σ2wkNtH1,kH1,kH)−1=INt−1σ2wkNtH1,k(1σ2wkNtH1,kHH1,k+INt)−1H1,kH)=INt−GkA^{-1}=(I_{N_t}+\frac1{\sigma^2w_kN_t}H_{1,k}H_{1,k}^H)^{-1} \\=I_{N_t}-\frac1{\sigma^2w_kN_t}H_{1,k}(\frac1{\sigma^2w_kN_t}H_{1,k}^HH_{1,k}+I_{N_{t}})^{-1}H_{1,k}^H) \\=I_{N_t}-G_kA−1=(INt+σ2wkNt1H1,kH1,kH)−1=INt−σ2wkNt1H1,k(σ2wkNt1H1,kHH1,k+INt)−1H1,kH)=INt−Gk
学习 Hybrid Beamforming for Millimeter Wave Systems Using the MMSE Criterion相关推荐
- 论文笔记《Spatially Sparse Precoding in Millimeter Wave MIMO Systems》
论文笔记<Spatially Sparse Precoding in Millimeter Wave MIMO Systems> 背景 增加商业无线系统可用的频谱,通过探索新的不那么受限的 ...
- 混合波束成形| 高速铁路通信系统的信道估计:Location-Aided mMIMO Channel Tracking and Hybrid Beamforming for High-Speed
关于 <Location-Aided mMIMO Channel Tracking and Hybrid Beamforming for High-Speed Railway Communica ...
- 论文 Through Fog High Resolution Imaging Using Millimeter Wave Radar 复现
Through Fog High Resolution Imaging Using Millimeter Wave Radar 卷积定义 生成器 鉴别器 测试 pipline 效果 复现的网络代码 g ...
- Retrieval of ice cloud microphysical parameters using the CloudSat millimeter‐wave radar and tempera
@[TOC]Retrieval of ice cloud microphysical parameters using the CloudSat millimeter‐wave radar and t ...
- 【分布式】分布式深度学习DDLs系统Review——分布式学习通俗理解Distributed Deep Learning Systems(最全面的论述)
分布式深度学习系统 (DDLS) 通过利用集群的分布式资源来训练深度神经网络模型. DDLS 的开发人员需要做出许多决定,以在他们选择的环境中有效地处理他们的特定工作负载. 基于 GPU 的深度学习的 ...
- 学习使用资源文件[9] - WAVE 资源
为什么80%的码农都做不了架构师?>>> //rc 文件: sound1 WAVE "SoundFile1.wav" sound2 WAVE "S ...
- 【AAAI 2020】Gait Recognition for Co-Existing Multiple People Using Millimeter Wave Sensing
文章目录 1. 四个问题 1. 解决什么问题 2. 用了什么方法解决 3. 效果如何 4. 还存在什么问题 2. 论文介绍 3. 参考资料 4. 收获 1. 四个问题 1. 解决什么问题 步态识别,根 ...
- Hybrid beamforming 下 MSE 的推导
我们令 HHH为等效信道, RRR为模拟阵VRFV_{RF}VRF的简写. VVV为数字阵的简写 . 目标函数为: MSE=tr(VHRHHHHRV−HHRV−VHRHH+σ2wβ−2+I)MSE ...
- 从绩点 1.8 逆袭的复旦博士,华为天才少年!
Datawhale干货 内容:复旦大学林田,编辑:募格学术 要说起华为「天才少年」,毕业即拿百万年薪,那话题度可以直接拉满.这不,2022年首个公开亮相的华为天才少年来了.他就是从绩点1.8逆袭的林田 ...
- 2022华为首个「天才少年」,是从绩点1.8逆袭的复旦博士
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文来源:上观新闻.新智元.潇湘晨报.复旦大学等 导读: 要说起华为 ...
最新文章
- Java构造函数的使用_java中构造函数的使用方法
- 如何洞察行业中的应用场景?(下篇)
- 图像分割综述:FCN、U-Net、PSPNet、DeepLab
- 归纳整理--第4篇--常用软件
- javascript --- 混入
- 英语口语 Week15 TuesDay
- python3 selenium ie 拒绝连接报错_Python3+selenium配置常见报错解决方案
- 北京理工大学计算机学院乔磊,邸慧军_北京理工大学计算机学院
- 圣经 英文有声 android,英文有声+Epub Foundation Series 7部 Isaac Asimov - Audiobook
- 清除计算机垃圾cmd命令,cmd清理垃圾命令代码是什么
- 电容触摸屏测试软件,大规模生产中如何测量触摸屏电容值
- hivesql解析json格式的key与value
- Instant-Meshes-奇异点检测
- 华南师范大学计算机学院官网,朱佳(华南师范大学计算机学院研究员)_百度百科...
- JS验证电话和传真号码格式
- 硼碳氮纳米管的制备(碳纳米管包裹磁性金属复合纳米结构/多孔氧化物掺杂的碳纳米管包裹的碳纳米球/碳氮纳米管包裹纳米金属粒子/碳纳米管包裹Ni纳米线复合材料)
- mysql复制表的数据和结构(可跨越数据库)
- catkin_make时出现‘CV_RETR_TREE’ was not declared in this scope
- 真Unity3d_profiler调试
- 各大汽车厂商的OBD协议