搜索资源列表
fvm.rar
- 用有限体积法计算结构网格下的对流扩散程序,用adi方法求解。-Structure with finite volume method for convection-diffusion process under the grid, with adi Solving
Algebra
- 基本矩阵运算 : + - *, power, transpose, trace, determinant, minor, matrix of minor, cofactor, matrix of cofactor, adjoint, inverse, gauss, gaussjordan, linear transformation, LU decomposition , Gram-Schmidt process, similarity. b) Basic vectors functions :
BusQuery_cht
- 採用huffman編碼的文件壓縮程序-Huffman coding used in the paper compression process
cdma_simulation
- cdma信号处理的matlab仿真,包括信号的编码和调制等流程-cdma signal processing matlab simulation, including signal coding and modulation process.
人工神经网络原理及仿真实例
- 该系统使用极其简便,即使 你对各种网络模型不是很深刻的了解,也可以很好的使用该系统。使用时, 你可以自己修改网络的各种参数,交互性较好,而且该系统通过大量的图示 及参数设置,可以让你了解每个应用实例实现的过程及详细步骤。-The system is extremely easy to use, even if you have to various network model is not very profound understanding can be a good use of the
VC野人八数码程序
- 用VC编制的集成的野人和八数码演示程序。其中野人程序用动态的效果演示,并能设置进度。八数码程序能根据给出的源状态转换成目标状态。-VC establishment of integrated Savage and eight digital presentations. Savage procedures which use dynamic demonstration effect, and can be programmed to progress. Eight digital process
ARMODEL
- 功率谱估计的应用范围很广,在各学科和应用领域中受到了极大的重视。在《现代信号处理》课程中讲述了经典谱估计和现代谱估计这两大类谱估计方法;经典谱估计是基于傅立叶变换的,虽然具有运算效率高的优点,但是频谱分辨率低同时旁瓣泄漏严重,对长序列有着良好的估计。为了克服经典谱估计的缺点,人们开展了对现代谱估计方法的研究。现代谱估计是以随机过程的参数模型为基础的,有最大似然估计法、最大熵法、AR模型法、预测滤波器法。现代谱估计对短序列的估计精度高,同经典谱估计互为补充。在认真学习了现 代谱估计方法后,我选择了
采用小波进行图像消噪
- 数字图像在产生过程中经常会受到噪音污染。因此,对于数字图像应该对其进行去噪音处理。在传统的基于傅里叶变换的信号去噪音方法中,可以使得信号和噪音的频带重叠部分尽可能的小,这样就可以在频域通过时,不需改变滤波方法而将信号和噪音分隔开来。但是,如果信号和噪音的频域重合时,用该方法进行噪音处理的效果就比较差。-digital image in the selection process will be subject to regular noise pollution. Therefore, the
Lis1t
- 文件中是我编写的两个数据结构,线性表列和链表,是用类模版函数编写,是面向过程设计-document is prepared by the two data structure, tabulated and linear chain and is prepared category template function, process-oriented design
stack1
- 这是俺编写的一个堆栈,采用模版函数编写,面向过程设计,供大家参考-I prepared a stack, using templates prepared function, process-oriented design, for your reference
图搜索策略
- 一个使用Java实现的人工智能的图搜索策略程序——酒九宫图问题 人工智能-图搜索策略-演示程序-使用说明 程序简介 在人工智能领域,对隐式图的搜索是求解问题的一种基本方法,本程序通过使用多种图搜索策略,对 重排九宫问题进行求解,演示了“广度优先搜索”、“深度优先搜索”、“有界深度优先搜索”、 “最好优先搜索”和“局部择优搜索”五种基本的图图搜索策略。 整个程序使用了动画技术,界面设计美观友好,使用方便。-use a Java artificial intelligence plans Searc
二维非结构化网格生成及流动传热求解程序
- delauney二维非结构化网格生成程序 采用fortran语言-Delauney 2D unstructured mesh generation process using FORTRAN language
树跟二叉树
- 本程序是实现二叉树跟树的常用算法,都是尽量用非递归来编写的。关于二叉树的都可以从键盘动态输入,关于树的就不可以,原因是树的结构问题,在程序中,树的建立用到动态左孩子/右孩子建立-this program is a binary tree with the tree is commonly used algorithm, as possible, to use non - recursive prepared. On the binary tree can be dynamic input fro
javasom_1[1].0.0
- Kohonen网络的学习过程可描述为:对于每一个网络的输入,只调整一部分权值,使权向量更接近或更偏离输入矢量,这一调整过程就是竞争学习。随着不断的学习过程,所有输入矢量都在输入矢量空间相互分离,形成了各自代表输入空间的一类模式,这就是Kohonen网络的特征自动识别的聚类功能。请解压缩后按照readme提示进行操作。-Kohonen network learning process can be described as follows : for each one network input,
模拟退火源码
- 模拟退火算法 模拟退火算法(Simulated Annealing,简称SA算法)是模拟加热熔化的金属的退火过程,来寻找全局最优解的有效方法之一。 模拟退火的基本思想和步骤如下: 设S={s1,s2,…,sn}为所有可能的状态所构成的集合, f:S—R为非负代价函数,即优化问题抽象如下: 寻找s*∈S,使得f(s*)=min f(si) 任意si∈S (1)给定一较高初始温度T,随机产生初始状态S (2)按一定方式,对当前状态作随机扰动,产生一个新的状态S’ S’=S+sign(η).δ 其中δ
朴素贝叶斯
- 调用过程 CM = Confusion_matrix(train_predicts, train_targets) [combining_predicts, errorrate] = combining_NB(DP, test_targets, CM) DP,三维数组,(i,j,k)为第k个样本的DP矩阵 targets 为 0 1 2 -process called CM = Confusion_matrix (train_predicts, train_targets) [combining
abooy
- hga是一种混合遗传算法c程序源代码,但是只包括了核心的算法部分,还没有完善。 gauss为电路试验中的高斯消去法。 GRKT10,Lagrange,Euler分别是数值计算中龙格-库塔法,拉个朗日法以及改进欧拉法的c程序实现 上述程序都是本人工作学习过程中自己编写的,本人只是一个程序新手,希望在本站能更好的学习-Unit is a mixed genetic algorithm c source code, however, covered only the core of the
函数扫描程序
- 可以自动识别一个程序中调用的所有函数,并写入到 output.txt文件中。-can automatically identify a process called all functions, and write to output.txt document.
算法导论
- 介绍算法的书籍,比较详细介绍了相关算法的一些基本知识和事项过程。-algorithm introduced the books, more detailed correlation algorithm introduced some basic knowledge of the process and issues.
GPstuff-4.7
- 高斯过程算法工具包GPstuff-4.7(matlab package for gaussian process GPstuff-4.7)