搜索资源列表
OFDM
- 一篇关于用CAZAC序列作为训练符号的的论文,觉得很有用,与大家共同享用。
C源代码实例
- 包含220个C语言的各种源程序:001 第一个C程序 002 运行多个源文件 003 求整数之积 004 比较实数大小 005 字符的输出 006 显示变量所占字节数 007 自增/自减运算 008 数列求和 009 乘法口诀表 010 猜数字游戏 011 模拟ATM(自动柜员机)界面 012 用一维数组统计学生成绩 013 用二维数组实现矩阵转置 014 求解二维数组的最大/最小元素 015 利用数组求前n个
WL40987330 C语言算法集
- 目录 第一部分 基础篇 001 第一个C程序 002 运行多个源文件 003 求整数之积 004 比较实数大小 005 字符的输出 006 显示变量所占字节数 007 自增/自减运算 008 数列求和 009 乘法口诀表 010&
基于BP神经网络的厦门楼盘走势预测
- 本文基于BP神经网络应用于预测的原理,提出预测步骤及预测可行性,探讨建立基于BP神经网络的预测模型的关键技术,包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权值和阈值的选取、激活函数、训练算法与参数的选取,最后建立合理的网络模型;结合住宅市场的实际情况,建立两类BP 神经网络预测模型:基于时间序列的趋势预测模型以及基于影响因素的回归预测模型,即分别采用神经网络趋势预测和回归预测的思路,把住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本,建立预测模型,
5
- 此程序是一个简单的BP神经网络。自己对源程序做了一点小修改,制造了一个新的序列,让新序列通过训练好的网络得出实验结果。-This procedure is a simple BP neural network. Their own source code to do a bit of small changes to create a new sequence, new sequence obtained through the trained network results.
jingeiARTYU
- 本资料的功能为:运用数学统计方法和时间序列分析方法对原始振动信号进行分析,获取相应的时域,频域,频域及时间序列模型参数并以此作为特征参数,然后运用距离区分技术进行评估,选取敏感的特征参数作为ART-similarity分类器的输入并进行训练,最后便可识别出设备的性能状态。 基于YU范数对承不同预紧状态的分析,针对进给系统所采集的数据样本事先不知其对应的状态时,则可利用基于YU范数的ART-Similarity监督分类器对其进行诊断分析。针对基于Yu范数ART-Similarity的算法
ReviewofSVM-basedControlandOnlineTrainingAlgorithm
- 支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能 控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方 面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研 究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR 在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控 制领域研究的主要成果和存在的问题,以便为进一步的研
suanfa
- 输入一组关键字序列分别实现下列排序: (1)实现简单选择排序、直接插入排序和冒泡排序。 (2)实现希尔排序算法。 (3)实现快速排序算法。 (4)实现堆排序算法。 (5)实现折半插入排序。 (6)在主函数中设计一个简单的菜单,分别测试上述算法。 (7)综合训练:采用几组不同数据测试各个排序算法的性能-Enter a keyword sequences to achieve the following order: (1) simple selection sort, insertion sort
algorithmbehavior
- 针对行为识别中行为者朝向变化带来的问题,提出了一种基于人体行为3D模型的2D行为识别算法.在学习行为 分类器时,以3D占据网格表示行为样本,提取人体3D关节点作为描述行为的特征,为每一类行为训练一个基于范例的隐马 尔可夫模型(Exemplar-based hidden Markov model,EHMM),同时从3D行为样本中选取若干帧作为3D关键姿势集,这个 集合是连接2D观测样本和人体3D关节点特征的桥梁.在识别2D行为时,2D观测样本序列可以由一个或多个非标定的摄 像机采集
KSVDchaotic
- 语音压缩感知,观测矩阵采用混沌序列,稀疏字典采用KSVD训练得到。-compressed sensing with chaotic sequence and K-SVD
development-risk-prediction
- 本文基于BP神经网络应用于预测的原理,提出预测步骤及预测可行性,探讨建立基于BP神经网络的预测模型的关键技术,包括样本的选取与预处理、输入输出变量的选取、隐层节点数的确定、初始权值和阈值的选取、激活函数、训练算法与参数的选取,最后建立合理的网络模型;结合住宅市场的实际情况,建立两类BP 神经网络预测模型:基于时间序列的趋势预测模型以及基于影响因素的回归预测模型,即分别采用神经网络趋势预测和回归预测的思路,把住宅市场的供给、需求与房价的历年数据以及其影响因素的数据分别作为学习样本,建立预测模型,
FaceDetection
- 本程序使用OpenCV中提供的“haarcascade_frontalface_alt.xml”文件存储的目标检测分类,用cvLoad函数载入后,进行强制类型转换。OpenCV中提供的用于检测图像中目标的函数是cvHaarDetectObjects,该函数使用指针对某目标物体(如人脸)训练的级联分类器在图象中找到包含目标物体的矩形区域,并将这些区域作为一序列的矩形框返回。分类器在使用后需要被显式释放,所用的函数为cvReleaseHaarClassifierCascade。-face detec
bp
- BP神经网络对时间序列进行训练预测,三层网络结构-a method for prediction
Mg17_ESN
- 用MG混沌时间预测序列训练和测试由1000单位组成的ESN网络的Matlab文件-This directory contains Matlab files used for training and testing 1000-unit ESN networks on the MG attractor (tau = 17)
HMM
- 隐马尔科夫模型源代码,隐马尔科夫模型的训练,输入序列得到隐马尔科夫模型。-Hidden Markov model source code, training of hidden Markov model, the input sequence hidden Markov model.
Design-exercise-M_sequence
- 通信系统电路设计练习: M序列编码/解码器的设计 作业的背景及训练目的 为了给通信专业的同学们提供一个设计实践的机会,在最短的时间段内掌握数字设计的动手能力,提高Verilog语言的使用能力,所以专门设计了这样一个难度适中的数字通信系统设计练习。本练习是根据工程实际问题提出的,但为了便于同学理解,对设计需求指标做了许多简化。希望同学们在设计范例和老师的指导下,一步一步地达到设计目标。期望同学们能在两至三周内,参考设计范例,独立完成自己的设计任务,在这一过程中学习用Verilog
HMM1
- HMM是隐马氏模型,预测蛋白质的二级结构,当你输入一段未知的需要测定的蛋白质序列时,利用已经训练好的蛋白质,可以预测蛋白质的二级结构 -HMM is a hidden Markov model, the predicted secondary structure of the protein, when you enter a need to determine the unknown protein sequence, the use of has trained proteins, th
FaceDetection
- 利用EmguCV实现的人脸检测程序,从摄像头输入图像序列,利用了训练好的.xml小波分类器-Face detection program implemented by EmguCV input from the camera image sequence using the trained the. Xml wavelet classifier
1
- 1.基本训练 (1)输入字符序列,建立二叉链表。 (2)先序、中序、后序遍历二叉树:递归算法。 (3)中序遍历二叉树:非递归算法(最好也能实现先序,后序非递归算法)。 (4)求二叉树的高度 。 (5)求二叉树的叶子个数。 (6)对于树中每一个元素值为x的结点,删去以它为根的子树,并释放相应的空间。 (8)借助队列实现二叉树的层次遍历。 (9)在主函数中设计一个简单的菜单,分别调试上述算法。 -Basic Training (1) Enter t
pso-bp
- BP神经网络具有较强的非线性问题处理能力 是目前一 种 较 好 的 用 于 时 间 序 列 预 测 的 方 法 然 而 它 存 在 易 于 陷 入 局 部 极 小,针对地震预测的应用,用改进粒子群优化的BP算法对四川地区最大震级时间序列进行预测,通过训练 预 测 次 年 的 最 大 震 级 结 果,表明此方法优于未经优化的 BP算法具有良好的预测效果 -BP neural network has a strong nonlinear problems processing power is a