搜索资源列表
ProSOM
- SOM的学习规则有三个主要阶段： 1）寻找与输入模式xk最接近的连接权向量Wj*=（wj*1, wj*2,….., wj*N） 2）将该连接权向量Wj*进一步朝向与输入模式xk接近的方向调整 3）除调整连接权向量Wj*外，还调整邻域内的各个连接权向量，并随着学习次数的增加，逐渐缩小邻域范围-SOM learning rules are three main stages : 1) Find the input mode xk
BAM_NN
- 用外积和法设计的权矩阵，不能保证p对模式全部正确的联想。若对记忆模式对加以限制（即要求p个记忆模式Xk是两两正交的），则用外积和法设计的BAM网具有较好的联想能力。 在难以保证要识别的样本（或记忆模式）是正交的情况下，如何求权矩阵，并保证具有较好的联想能力？这个问题在用BAM网络实现对字符的识别程序仿真中得到体现。我们做过尝试，用伪逆法求权矩阵，虽然能对未加干扰的字符全部进行识别，但对加有噪声的字符识别效果很差。至于采用改变结构和其他算
tixingongsi
- 梯形公式计算面积近似值:In=Tn=h/2(f(a)+f(b)) 变长梯形面积:T2n=Tn/2+h/2∑f(Xk+h/2) 辛普生面积:I2n=(4T2n-Tn)/3
tt
- 计算xk+1除CRC-CCITT后的余式，k从1到32768
crc-ccitt
- 计算xk+1除CRC-CCITT后的余式，k从1到32768
crc-32
- 计算xk+1除CRC-32后的余式，k从1到32768
xk
- 数控调频台控制器 *************************** 26H-29H放显示小数位、个位、十位、百位BCD码数，24H-25H放频率控制数据（十六进制）
henon
- Henon吸引子 Henon吸引子是混沌和分形的著名例子,迭代 模型为 xk+1=1+ax2k+byk, yk+1= xk. 最常见的参数取值为a=1.4,b=0.3 .此时迭代模 型为 xk+1=1+yk-1.4x2k, yk+1=0.3xk.
code
- 对偶单纯形法的迭代仍然是以为主元的旋转变换，但是它也有自己的特点。它是首先确定离开基的变量，即首先确定然后确定进入基的变量，即确定xk，一下就是求解单纯形法一例
xk
- Microsoft TCP/IP Sockets Development Kit 1.0 for dos & windows 开发包-Microsoft TCP / IP Sockets Development Kit 1.0 for dos windows Development Kit
优先suanfa
- 操作系统之采用最优分配算法分配xk大小的空间-operating system using optimal allocation algorithm xk size distribution space
ARM嵌入式WINCE实践教程
- 密码：xk ARM 嵌入式 WINDOWS CE 实践教程》是 ARM 嵌入式技术 系列教程之一。该教程教材采用华中科技大学和武汉创维特信息技 术有限公司联合研制的 JXARM9-2410 嵌入式教学实验系统作为教 学实践平台。 Windows CE 嵌入式操作系统是目前嵌入式主流操作系统之一， 它以超强的性能、友好的 Windows 人机界面以及标准化、可视化的 软件开发过程被越来越多地使用在手机
xk
- Microsoft TCP/IP Sockets Development Kit 1.0 for dos & windows 开发包-Microsoft TCP/IP Sockets Development Kit 1.0 for dos windows Development Kit
优先suanfa
- 操作系统之采用最优分配算法分配xk大小的空间-operating system using optimal allocation algorithm xk size distribution space
ProSOM
- SOM的学习规则有三个主要阶段： 1）寻找与输入模式xk最接近的连接权向量Wj*=（wj*1, wj*2,….., wj*N） 2）将该连接权向量Wj*进一步朝向与输入模式xk接近的方向调整 3）除调整连接权向量Wj*外，还调整邻域内的各个连接权向量，并随着学习次数的增加，逐渐缩小邻域范围-SOM learning rules are three main stages : 1) Find the input mode xk
BAM_NN
- 用外积和法设计的权矩阵，不能保证p对模式全部正确的联想。若对记忆模式对加以限制（即要求p个记忆模式Xk是两两正交的），则用外积和法设计的BAM网具有较好的联想能力。 在难以保证要识别的样本（或记忆模式）是正交的情况下，如何求权矩阵，并保证具有较好的联想能力？这个问题在用BAM网络实现对字符的识别程序仿真中得到体现。我们做过尝试，用伪逆法求权矩阵，虽然能对未加干扰的字符全部进行识别，但对加有噪声的字符识别效果很差。至于采用改变结构和其他算
tixingongsi
- 梯形公式计算面积近似值:In=Tn=h/2(f(a)+f(b)) 变长梯形面积:T2n=Tn/2+h/2∑f(Xk+h/2) 辛普生面积:I2n=(4T2n-Tn)/3 -Trapezoidal area approximation formula: In = Tn = h/2 (f (a)+ F (b)) variable-length trapezoidal area: T2n = Tn/2+ H/2Σ
tt
- 计算xk+1除CRC-CCITT后的余式，k从1到32768-Calculated xk+ 1 In addition to the post-CRC-CCITT congruence, k from 1-32768
crc-ccitt
- 计算xk+1除CRC-CCITT后的余式，k从1到32768-Calculated xk+ 1 In addition to the post-CRC-CCITT congruence, k from 1-32768
xk
- 学生选课系统，其中有老师、课程、学生、选课纪录，可以退订，重选-Elective System students, including teachers, curriculum, students, course record, you can unsubscribe, re-election, etc.