-
串口调试助手 Qt5版源码
基于Qt 5.9.6开发的一款串口调试助手，里面有源码和打包好的软件包。本代码博客地址：https://blog.csdn.net/WU9797/article/details/81161136可以先去博客预览一下效果哈。
- 2020-12-11下载
- 积分：1
-
系统类辅助工具
系统类辅助工具
- 2014-03-12下载
- 积分：1
-
完整的OFDM通信系统的仿真设计，包括编码，调制，IFFT，
一个相对完整的OFDM通信系统的仿真设计，包括编码，调制，IFFT，上下变频，高斯信道建模，FFT，PAPR抑制，各种同步，解调和解码等模块，并统括系统性能的仿真验证了系统设计的可靠性。
- 2020-12-09下载
- 积分：1
-
基于STM32的LoRa无线通信
基于STM32的LoRa无线通信，无线芯片为SX1276，SX1278，特别经过安信可公司的LoRa芯片Ra-01、Ra02测试通过。单片机为STM32F103VeT6，其他系列也有一定参考价值。内附收发程序，数据手册，引脚连接等
- 2020-12-06下载
- 积分：1
-
【PDF】《Machine learning A Probabilistic Perspective》 MLAPP；by Kevin Murphy
完整版，带目录，机器学习必备经典；大部头要用力啃。Machine learning A Probabilistic PerspectiveMachine LearningA Probabilistic PerspectiveKevin P. MurphyThe mit PressCambridge, MassachusettsLondon, Englando 2012 Massachusetts Institute of TechnologyAll rights reserved. No part of this book may be reproduced in any form by any electronic or mechanicalmeans(including photocopying, recording, or information storage and retrieval)without permission inwriting from the publisherFor information about special quantity discounts, please email special_sales@mitpress. mit. eduThis book was set in the HEx programming language by the author. Printed and bound in the UnitedStates of AmLibrary of Congress Cataloging-in-Publication InformationMurphy, Kevin Png:a piobabilistctive/Kevin P. Murphyp. cm. -(Adaptive computation and machine learning series)Includes bibliographical references and indexisBn 978-0-262-01802-9 (hardcover: alk. paper1. Machine learning. 2. Probabilities. I. TitleQ325.5M872012006.31-dc232012004558109876This book is dedicated to alessandro, Michael and stefanoand to the memory of gerard Joseph murphyContentsPreactXXVII1 IntroductionMachine learning: what and why?1..1Types of machine learning1.2 Supervised learning1.2.1Classification 31.2.2 Regression 83 Unsupervised learning 91.3.11.3.2Discovering latent factors 111.3.3 Discovering graph structure 131.3.4 Matrix completion 141.4 Some basic concepts in machine learning 161.4.1Parametric vs non-parametric models 161.4.2 A simple non-parametric classifier: K-nearest neighbors 161.4.3 The curse of dimensionality 181.4.4 Parametric models for classification and regression 191.4.5Linear regression 191.4.6Logistic regression1.4.7 Overfitting 221.4.8Model selection1.4.9No free lunch theorem242 Probability2.1 Introduction 272.2 A brief review of probability theory 282. 2. 1 Discrete random variables 282. 2.2 Fundamental rules 282.2.3B292. 2. 4 Independence and conditional independence 302. 2. 5 Continuous random variable32CONTENTS2.2.6 Quantiles 332.2.7 Mean and variance 332.3 Some common discrete distributions 342.3.1The binomial and bernoulli distributions 342.3.2 The multinomial and multinoulli distributions 352. 3.3 The Poisson distribution 372.3.4 The empirical distribution 372.4 Some common continuous distributions 382.4.1 Gaussian (normal) distribution 382.4.2Dte pdf 392.4.3 The Laplace distribution 412.4.4 The gamma distribution 412.4.5 The beta distribution 422.4.6 Pareto distribution2.5 Joint probability distributions 442.5.1Covariance and correlation442.5.2 The multivariate gaussian2.5.3 Multivariate Student t distribution 462.5.4 Dirichlet distribution 472.6 Transformations of random variables 492. 6. 1 Linear transformations 492.6.2 General transformations 502.6.3 Central limit theorem 512.7 Monte Carlo approximation 522.7.1 Example: change of variables, the MC way 532.7.2 Example: estimating T by Monte Carlo integration2.7.3 Accuracy of Monte Carlo approximation 542.8 Information theory562.8.1Entropy2.8.2 KL dive572.8.3 Mutual information 593 Generative models for discrete data 653.1 Introducti653.2 Bayesian concept learning 653.2.1Likelihood673.2.2 Prior 673.2.3P683.2.4Postedictive distribution3.2.5 A more complex prior 723.3 The beta-binomial model 723.3.1 Likelihood 733.3.2Prior743.3.3 Poster3.3.4Posterior predictive distributionCONTENTS3.4 The Dirichlet-multinomial model 783. 4. 1 Likelihood 793.4.2 Prior 793.4.3 Posterior 793.4.4Posterior predictive813.5 Naive Bayes classifiers 823.5.1 Model fitting 833.5.2 Using the model for prediction 853.5.3 The log-sum-exp trick 803.5.4 Feature selection using mutual information 863.5.5 Classifying documents using bag of words 84 Gaussian models4.1 Introduction974.1.1Notation974. 1.2 Basics 974. 1.3 MlE for an mvn 994.1.4 Maximum entropy derivation of the gaussian 1014.2 Gaussian discriminant analysis 1014.2.1 Quadratic discriminant analysis(QDA) 1024.2.2 Linear discriminant analysis (LDA) 1034.2.3 Two-claSs LDA 1044.2.4 MLE for discriminant analysis 1064.2.5 Strategies for preventing overfitting 1064.2.6 Regularized LDA* 104.2.7 Diagonal LDA4.2.8 Nearest shrunken centroids classifier1094.3 Inference in jointly Gaussian distributions 1104.3.1Statement of the result 1114.3.2 Examples4.3.3 Information form 1154.3.4 Proof of the result 1164.4 Linear Gaussian systems 1194.4.1Statement of the result 1194.4.2 Examples 1204.4.3 Proof of the result1244.5 Digression: The Wishart distribution4.5. 1 Inverse Wishart distribution 1264.5.2 Visualizing the wishart distribution* 1274.6 Inferring the parameters of an MVn 1274.6.1 Posterior distribution of u 1284.6.2 Posterior distribution of e1284.6.3 Posterior distribution of u and 2* 1324.6.4 Sensor fusion with unknown precisions 138
- 2020-12-10下载
- 积分：1
-
labview编程软件滤波器以及编写程序设计(源码+文档)
目录一 课程设计目的 2二 课程设计要求 31 课程设计题目：基于LABVIEW滤波器的设计 32 课程设计要求 3（1）前面板要求 3（2）后面板要求 3三 课程设计要求 31 设计方向 32 数字滤波器功介绍 43 虚拟器软件的介绍 4四 数字滤波器在LABVIEW上的实现 51 LabVIEW的数字滤波器工具 52 LABVIEW中滤波器参数的设计 5五 数字滤波器的设计,调试及功能演示 71 滤波流程图及设计 72 FIR和IIR各自的优缺点 73 前面板的设计 94 程序框图的设计 105 滤波器各种参数的调试 11( 1 ) FIR加窗滤波器 12( 2 ) 巴特沃斯滤波器 126 结果分析 13（ 1 ） 信号波形分析 13（ 2 ） 功率谱分析 14六 结束语 14七 参考文献 15
- 2021-05-06下载
- 积分：1
-
基于卷积神经网络的图像识别
基于卷积神经网络的图像识别 基于卷积神经网络的图像识别关于学位论文独创声明和学术诚信承诺本人向河南大学提出硕士学位申请。本人郑重声明:所呈交的学位谂文是本人在导师的指导下独立完成的,对所研究的课题有新的见解。据我所知,除文中特别加以说明标注和致谢的地方外,论文中不包括其它人已经发表或撰写过的研究成果,也不包括其它人为获得任何教育、科研机构的学位或证书而使用过的材料。与我一同工作的同事对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意在此本人郑重承诺:所呈交的学位论文不存在舞弊作伪行为,文责自负。学位申请人(学位论文作者)签名:亚强2015年5月20日关于学位论文著作权使用授权书本人经河南大学审核批准授予硕士学位。作为学位论文的作者,本人完全了解并同意河南大学有关保留、使用学位论文的要求,即河南大学有权向国家图书馆、科研信息机构、数据收集机构和本校图书馆等提供学位论文(纸质文本和电子文本)以供公众检索、查阅。本人授衩河南大学出于宣扬、展览学校学术发展和进行学术交流等目的,可以采取影印、缩印、扫描和拷贝等复制手段保存、汇编学位论文(纸质文本和电子文本)(涉及保密内容的学位论文在解密后适用本授权书)学位获得者(学位论文作者)签名:卫2015年5月20日学位论文指导教师签名:2015年5月20日摘要Deep learning是机器学习研究的新领域,掀起了机器学习的新浪潮,在各个行业都受到了广泛的关注。 Google brain项目、微软全自动同声传译系统、百度硏究院等都是 deep learning技术发展的见证。随着大数据和深度模型时代的来临,deeplearning技术也得到了广泛的重视和发展,它带来的技术进步也必将改变人们的生活随着机器学习领域的发展,最近几年对卷积神经网络的研究也越发深入。现在卷积神经网络已经广泛的应用到各种领域,并取得了巨大的成果。卷积神经网络是在人工神经网络的基础上发展起来的·种高效的识别算法。典型的积网络结构是由 Lecrn提出的 LeNe t-5,它包含多个阶段的卷积和抽样过程,然后将提取到的特征输入到全连接层进行分类结果的计算。卷积神经网络通过特征提取和特征映射过程,能够较好的学习到图像中的不变特征。现在研究人员在典型的 LeNet5的基础上,使用多种方法改善卷积网终的结构和性能,从而提高网终的通用性和对图像的识别效果。本文结合图像的特点,在深入硏究了卷积网络的理论和国内外研究成果的基础上主要做了以下工作:(1)研究了卷积网络的训练算法,通过对算法分析,调试并找到最优初始化参数和最适应的网络结构配置。(2)对于分类结果的计算,使用了多区域的测试方法,通过在测试的过程中对图像的多个区域进行计算能够提高图像识别的准确率。〔3)为系统设计了一个通用的数据集输入接口,可以将自己构建的图像薮据集输入到卷积神经网络的结构中,训练和查看图像分类的结果。(4)在卷积层使用了局部偏差垬亨和非共亨两种方法,在数据集上测试并进行结果分析。(5)在隐含层使用了网络泛化的方法 DROPOUT,在数据集上测试并进行结果分析。通过以上改进方法的使用,卷积网络的通用性和性能得到了提高。关键词:,图像识别,特征提取
- 2020-11-30下载
- 积分：1
-
超炫酷精致的个人网站模板
该个人网站一共有8个页面。首先博客的登录界面login.html:是利用html5和css3结合写出的一个超炫酷的页面，根据canvas粒子制作出背景具有动态的效果。登陆后根据存入数据进行比对，对其用户名、密码、验证码验证，只有通过验证后才能登录成功并且验证成功后可以达到全屏的效果。每一个页面分为footer body和footer三部分组成。头部主要就是标题栏，尾部是页脚，中间就是主题内容。index.html主页：主要就利用js焦点滚动式轮播插入图片和文字自行进行翻页，其他主要利用div和css进行控制每一个内容框。利用链接跳转到相对应的内容上。可以根据标题、标签、关键字等点击到另一个内容
- 2020-07-03下载
- 积分：1
-
逐次超松弛迭代（SOR迭代）
本人做课程设计时写的逐次超松弛迭代（matlab实现).
- 2020-12-07下载
- 积分：1
-
基于pca实现人脸识别matlab代码
基于pca实现人脸识别，是经典的人脸识别算法之一，有较好的识别效果
- 2020-12-04下载
- 积分：1
|
联系客服（QQ：3324461878）
