搜索资源列表
数据结构的C++描述
- 目 录 译者序 前言 第一部分 预备知识 第1章 C++程序设计 1 1.1 引言 1 1.2 函数与参数 2 1.2.1 传值参数 2 1.2.2 模板函数 3 1.2.3 引用参数 3 1.2.4 常量引用参数 4 1.2.5 返回值 4 1.2.6 递归函数 5 1.3 动态存储分配
shili
- matlab gui, 包括了4个很好的例子： 1.具有多个坐标轴的GUI，主要学习控制哪一个坐标轴是绘图命令的对象和用编辑文本框读入输入的数。 2.列表框目录阅读器，主要学习获取路径，加载，打开文件 3.从列表框中存取工作区变量，学习把存在于基本工作区的变量名放进列表框，选择多项等 4.地址簿阅读器，这个比较综合，用得技术也比较多。包括打开，保存，修改mat文件，利用handles结构保存和重新调用共享数据。-matlab gui, including four very go
Internal-sort-of-comparison-method
- 1）对以下9种内部排序算法进行比较：起泡排序、直接插入排序、简单选择排序、快速排序、希尔排序、堆排序、折半插入排序、二路插入排序、归并排序。 （2）待排序表的表长不小于 100；其中的数据要用伪随机数产生器产生；至少要用 5 组不同的输入数据做比较；比较的指标为关键字参加的比较次数和关键字的移动次数（关键字交换为 3 次移动）。 （3）针对不同的输入表长做试验，观测检查两个指标相对表长的变换情况。 （4）随机产生的数据保存到文件 input.txt 中，将各个算法的关键字比较次
lunwen
- 提出一种多尺度方向(multi-scale orientation,简称 MSO)特征描述子用于静态图片中的人体目标检 测.MSO 特征由随机采样的图像方块组成,包含了粗特征集合与精特征集合.其中,粗特征是图像块的方向,而精特征 由 Gabor 小波幅值响应竞争获得.对于两种特征,分别采用贪心算法进行选择,并使用级联 Adaboost 算法及 SVM 训 练检测模型.基于粗特征的 Adaboost 分类器能够保证高的检测速度,而基于精特征的 SVM 分类器则保证了检测精 度.另
Multi-class-SVM-Image-Classification
- 基于神经网络的遥感图像分类取得了较好的效果,但存在固有的过学习、易陷入局部极小等缺点.支持向量机机器学习方法,根据结构风险最小化(SRM)原理,表现出很多优于其他传统方法的性能,本研究的基于多类支持向量机分类器的遥感图像分类取得了达95.4 的分类精度.但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的基础上有效提高分类效率-Neural ne
RLS
- 仿真对象如下： 其中， v( k )为服从N (0,1) 分布的白噪声。输入信号u ( k) 采用M 序列，幅度为 1。M 序列由 9 级移位寄存器产生，x(i)=x(i-4)⊕x(i-9)。 选择如下辨识模型： 加权阵取Λ = I。 衰减因子β = 0.98，数据长度 L = 402。 辨识结果与理论值比较，基本相同。辨识结果可信 -he simulation object is as follows: among them, v (k) to obe
gaot
- tep 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概 率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设 置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算
1×6结构35GHz基片集成波导缝隙天线设计
- 1. 设计基片集成波导，通过缝隙辐射电磁波结构 2. 工作频率：35GHz； 3.材料选取：介质基板：Rogers5880 相对介电常数：2.2 介质厚度：0.508mm 4. 性能指标： （1）工作频率35G； （2）在θ=0o增益达到10dB以上。有较好的方向性。 首先根据工作频率要求设计基片集成波导大概尺寸，然后选择渐变线形式微带SIW转换器进行馈电。基片集成波导终端短路，形成