搜索资源列表
c++贪食蛇
- 程序关键在于表示蛇的图形及蛇的移动。用一个小矩形块表示蛇的一节身体，身体每长一节，增加一个矩形块，蛇头用一节表示。移动时必须从蛇头开始，所以蛇不能向相反的方向移动，如果不按任意键，蛇自行在当前方向上前移，但按下有效方向键后，蛇头朝着该方向移动，一步移动一节身体，所以按下有效方向键后，先确定蛇头的位置，而后蛇的身体随蛇头移动，图形的实现是从蛇头新位置开始画出蛇。食物的出现与消失也是画矩形块和覆盖矩形块。为了便于理解，定义两个结构体：食物与蛇。(The key to the program is t
PhotoAibum
- 例子是一个相册图片多选的例子源码，可以自动扫描SD卡上的图片文件，并取每个文件夹下的第一张图片作为相册的封面，点击以后可以进入图片多选界面，直接点击图片缩略图就可以选中图片，再次点击去除选中状态。选中的图片也会以小缩略图的形式在下面显示，如果小缩略图超过3张显示不开右划可以看到其他小缩略图。并且还会在Button按钮上显示选中的图片数量，点击确定可以批量获取选中的图片路径，本例子可以应用的地方很多，缩略图的生成也是很快。需要的朋友可以研究一下。编译版本4.2.2编码UTF-8，源码有注释(Exa
GCW
- 通过三个任意不在一条直线上的点可以确定圆心(The center of the circle is determined by three arbitrary points not in a straight line)
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo
新建文本文档
- 一、循环队列的基础知识 1.循环队列需要几个参数来确定 循环队列需要2个参数，front和rear 2.循环队列各个参数的含义 （1）队列初始化时，front和rear值都为零； （2）当队列不为空时，front指向队列的第一个元素，rear指向队列最后一个元素的下一个位置； （3）当队列为空时，front与rear的值相等，但不一定为零； 3.循环队列入队的伪算法 （1）把值存在rear所在的位置； （2）rear=（rear+1）%maxsize ，其中maxsize代表数
c
- 该系统由霍尔速度传感器、微波雷达测距传感器、雨滴感应器、雨量传感器、报警装置等模块组成，采用52单片机和DSP作为数据处理单元。汽车的制动距离受路面附着系数和车速的影响，因此用测速传感器和雨量传感器来测速和确定路面附着系数进而确定汽车的制动距离。用测距传感器测得的跟车距离与制动距离相比较进而判断汽车行驶时是否存在安全隐患。雨量传感器和测距传感器不需要在汽车的任何行驶条件下一直保持工作状态，因此该系统采用两个单片机将各传感器分隔在两个子系统中，第一个单片机根据雨滴信号和速度信号通过继电器来控制测距
GMDH
- gmdh代码 训练方法 —————————————— 1.将数据集分为训练集和测试集。 2.建立输入层 3.建立所有符合5楼条件的神经元（只考虑“攻”和“受”的关系，不考虑具体的权值）。如果前面几层共有N个神经元，那么我们就需要建立N(N-1)/2个神经元。 4.用最小二乘法确定权值 5.计算每一个神经元在测试集上的表现。 6.选取表现最好的K个神经元放在后面一层。（K可以自己选择） 7.重复3,直到网络的性能足够好，或者网络开始过拟合。(GMDH codeTraining me
multifactor
- %% 多因子选股模型 %V1.0 %将确定好的多因子（暂时还不支持自动选取适合的多因子），计算每只股票的得分，根据股票的得分划分为n个区间 %数据按列分别为stk,date,close,totalsize（总市值）,lsize（流通市值）,ret（收益率） %目前版本的多因子只有总市值一个，以后如果因子变多只需要加在close之后（第四列）和lsize之前（end-3列）(% multi factor model %V1.0 % will determine a good multi
jfdijf
- 安装方法： 你必须确定cache目录可以读写一般就不会出现什么问题,本程序在WIN2003＋IIS＋PHP5和WIN2003＋APACHE＋PHP5下完全测试通过,本程序也上传到LINUX下的PHP4通过()
电梯模拟器设计
- 在本实验中，电梯模拟器外部结构图如下图所示，共有4层，分别编号为1，2，3，4。采用电机驱动电梯箱体的上升与下降等操作，当电机正向旋转的时候，电梯保持上升状态，当电机反向旋转的时候，电梯保持下降状态，而当电机停止转动时，电梯也保持静止状态。由于电机不具备自锁功能，即在一定的确定电压下保持静止状态，因此要在物理上采用某种措施保证电机上述功能的顺利实现。经查阅相关的资料，我们发现可以利用蜗杆涡轮传动系统来实现，见下图,这就是利用阿基米德蜗杆的蜗杆传动，它具有传动平稳，振动、冲击和噪声均很小，而且可获
newsvendor
- 报童购进数量应根据需求量确定，但需求量是随机的，所以报童每天如果购进的报纸太少，不够买的，会少赚钱；如果购进太多，卖不完就要赔钱，这样由于每天报纸的需求量是随机的，致使报童每天的收入也是随机的，因此衡量报童的收入，不能是报童每天的收入，而应该是他长期（几个月、一年）卖报的日平均收入。我们可以应用计算机模拟的方法 在模拟时间充分大的条件下（例如10000天），模拟每天的销售量，因而确定每天应买进多少报纸才能使平均总收入达到最大值。(The number of paper purchased sho
Trie_and_Huffman
- 功能1:使用一种树型结构来实现我们的单词计数功能——Trie树 功能2:Huffman树进行编码 程序输入： 第一行为一个正整数n，表示输入单词的总数。 接下来的n行，每行为一个单词，单词由不超过10个的小写英文字母组成。 接下来的一行为一个正整数m，表示查询的次数。 接下来的m行，每行为一个数字和一个查询，当数字为1时，查询为单词，输出该单词出现的次数（可以为0）；当数字为2时，查询为Huffman编码，输出对应的单词（该Huffman编码对应的单词确定存在）。(Function
step_motor
- 2相混合式步进电机驱动程序，配套MC860H驱动器，共阴极接法 EN提前DIR至少5us，正常工作为高电平 DIR提前PUL下降沿5us确定其状态高或底，DIR 高：正转，底：反转 PUL脉冲信号，高电平不小于2.5us，低电平不小于2.5us(2 phase hybrid stepper motor driver, matching MC860H driver, common cathode connection method.EN advance DIR at least 5us, n
LSnake
- 这是一个简单的使用snake模型进行图像分割的源代码，可以用来学习，事先需要确定一个初始化的轮廓，最好和真实的轮廓相距不是太大(his is a simple use of the snake model for the image segmentation source code, can be used for learning, prior need to determine an initial profile, the best and the actual contour is no
vj_compreesion
- Var Jacobson压缩算法，在PPP或者SLIP这些串行线路协议中，不同于以太网中无法确定下一跳的位置，它们的通讯两端是固定的。很多TCP连接中的数据包都是一些交互数据，数据量非常小，而TCP/IP头占据了很大的比例。如果能够减少TCP/IP头的大小，则非常有效的减少网络负载。(Var Jacobson compression algorithm, in PPP or SLIP serial line protocol, is different from Ethernet. It can
12365228
- 将一个半圆用点画出来,而不是使用画圆函数,其中使用了一个确定点位置的算法()
chapter8
- 根据人的体检指标来确定不同人可能得病的概率的大小，大数据的处理和仿真(The size of the probability of diseased persons, the processing and Simulation of large data, based on a person's physical examination index)
AP聚类
- AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。(AP clustering algorithm is a kind of clustering algorithm based on "information transfer" between data points. Unlike the k- mean algorithm or the k center point
22477390
- 安装方法： 你必须确定cache目录可以读写一般就不会出现什么问题,本程序在WIN2003＋IIS＋PHP5和WIN2003＋APACHE＋PHP5下完全测试通过,本程序也上传到LINUX下的PHP4通过()
07 极限学习机（Extreme Learning Machine, ELM）
- ELM算法指出，其实隐层的权值矩阵W和偏置b其实是没有必要调整的，在学习算法开始时，任意随机给定W和b的值，利用其计算出H（隐层节点的输出），并令其保持不变，需要确定的参数就只有β了。这是一个比较重要的理论基础。(The ELM algorithm is pointed out, in fact, hidden layer weights matrix W and B is not necessary to adjust the bias of the learning algorithm, i