资源列表
A_hw1
- 利用幂法、反幂法求矩阵按模最大、最小特征值以及矩阵的行列式与条件数-By using the power method, the inverse power method is used to find the maximum and minimum eigenvalue of the matrix, and the determinant and condition number of the matrix.
piph
- 电磁悬浮系统电流控制平衡点线性化MATLAB仿真-Electromagnetic suspension system current control balance linearization MATLAB simulation
a5_7
- 求随机二进制序列频谱（功率谱） 通信原理作业-Seeking random binary sequence spectrum (power spectrum)
a5_9
- 绘制眼图的示例程序，可以直接运行（电子科技大学通信原理作业）-Draw the eye of the sample program, you can run (University of Electronic Science and Technology Communication Theory job) directly
123212331
- 基于形态学的权重自适应图像去噪，利用MATLAB进行的仿真。希望相互学习。-Heavy adaptive image denoising based on morphological right
DeepLearnToolbox-master
- 这是深度学习的常用工具箱，里面包括常用的自动编码器、卷积神经网络和深度置信网络的函数- This is a common toolbox depth study, which includes functions commonly used automatic encoder, convolutional neural network and depth of belief networks
a4_2
- 统计信号的信噪比示例程序，通信原理作业，可以直接运行-SNR statistical sample program signal, communication principle jobs can be run directly
NN
- batch normalization在神经网络上的实现-batch normalization implemented on Neural Networks
UntitledHopfield
- 联想过程：输入待测酒样数值，利用得到的网络进行联想，最后确定待测酒样属于哪种类别模式，就可以得到综合评价的结果。-Lenovo procedure: Enter the measured value wine samples using the resulting network association to finalize the test wine samples belong to which category mode, you can get the results of a com
Desktop
- 传统的K-medoids聚类算法的聚类结果随初始中心点的 不同而波动，且计算复杂度较高不适宜处理大规模数据集； 快速K-medoids聚类算法通过选择合适的初始聚类中心改进 了传统K-medoids聚类算法，但是快速K-medoids聚类算法 的初始聚类中心有可能位于同一类簇。为了克服传统的K- medoids聚类算法和快速K-medoids聚类算法的缺陷，提出 一种基于粒计算的K-medoids聚类算法。-Traditional clustering K-m
Desktop
- 随着人们的生活不断提高，旅游已成为提高人们生活质量的重要活动，在旅游过程中，广大游客都希望找到最佳旅游线路。而旅游线路遇到的最直接的问题是景点的具体位置。比如九寨沟景区，里面的景点多达四十一个，怎样才能准确找到自己要去景点的位置，已经成为了亟待解决的关键问题。为此，九寨沟景区决定铺设空中缆车索道，让广大游客可以在最短的时间内游览更多的景点。-With the continuous improvement of people s life, tourism has become important
Desktop
- 贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类-Bayesian classifier classification principle is a priori probability of an object by using the Bayesian formula to calculate the probability of subsequent experience, that is,