-
基于单片机的交通灯控制系统设计
一、 功能分析硬件的设计采用89ATC51单片机为核心器件。并辅助复位电路，驱动电路，数码管及晶体管显示部分。通过中断扩展实现交通灯系统特殊情况的转换。软件设计部分分为一个主程序和两个中断子程序，一个用于有紧急车辆通过时，系统要能禁止普通车辆通行，实行中断可使A（东西道）、B（南北道）两道均亮红灯；另一个用于一道有车而另一道无车时，通过控制交通灯系统能立即让有车道放行，假如A道有车B道无车，长按K0可以控制交通灯系统能立即让东西道放行；假如南北道有车东西道无车，长按K1可以控制交通灯系统能立即南北道放行。十字路口的交通灯在工作时应具有如下特点:红灯表示该条道路禁止通行；黄灯表示该条道路上
- 2020-11-27下载
- 积分：1
-
基于STM32F103步进电机驱动程序
使用PWM+定时器，基于STM32F103，发送一定数量方波来驱动步进电机。
- 2020-12-03下载
- 积分：1
-
SIFT tutorial(matlab版本的sift源码和详细介绍)
matlab版本的源码，有详细的sift特征提取和匹配的步骤介绍，具体sift是什么我就不多说了。这个matlab版本的源码就是供初学者学习之用
- 2020-12-05下载
- 积分：1
-
Wince 打印 Pcl3 5语言大全.rar
【实例简介】PCL语言能够进一步提高打印质量，通常在中高端打印机产品中才会出现，是决定打印机输出复杂版面能力的重要指标。
PCL语言
正是Adobe公司的对PostScript语言的收费方式，给HP公司的PCL( Printer CommandLanguage，打印机控制语言)语言提供了发展空间，PCL语言是HP公司于70年代针对其打印机产品推出的一种打印机页面描述语言。HP公司的市场策略与Adobe完全不同，其他厂商可以在他们的打印机产品中自由模仿或使用PCL语言。正是PCL语言的开放性，降低了使用PCL语言的打印机产品的成本，从而使其在打印机产品中的普及程度远远高于PostScript语言。
PCL语言最初也是为点阵打印机设计的，PCL3是第一个得到广泛应用的版本，但它只支持一些简单的打印任务。PCL4虽然还只能应用在个人打印机中，但增加了对图形打印的支持，但由于解释工作比较简单，PCL4比后期的PCL5和PCL6对打印控制器的要求要低很多。
PCL5是HP公司为它的激光打印机LaserJetⅢ设计的，它提供了一些与PostScript语言相似的功能，开始支持矢量字库和矢量图形描述，实现了WYSIWYG(What You See Is What You Get， 所见即所得)，PCL5中也使用了各种压缩技术来减小数据量，加快数据传输。 PCL5e开始支持双向数据通讯，从而使打印机可以向计算机发送打印机的状态信息。PCL5c增加了对彩色打印的支持。
1996年HP公司发布了PCL6，它更加灵活，是一个目标朝向的控制语言，使处理多图形的文件的速度大大加快，实现了更好的WYSIWYG，可以更好地处理Web页面。
两种语言的比较
1.PostScript和PCL两者的工作流程都是首先在计算机的一端将打印内容解释成标准的页面描述文件，这种文件可以被所有采用这种语言的打印机所识别，传送到打印机的核心——控制器中，然后在打印机控制器中将页面描述文件解释成可以打印的图像。从工作流程的角度看，采用这两种语言的打印方式对打印机的“大脑”要求较高，需要打印机能够自己独立处理转换的任务，并且需要打印机本身有足够的内存。
2.PostScript和PCL都具备了标准化和与设备无关性的优势，对计算机系统资源占用也较少，两种语言的高版本还提高了对字库、图形和图像的解释能力，对于提供了高打印质量的产品，大都采用了此两类语言。但相对来说，由于对打印机核心部分——打印控制器性能的要求较高，一定程度会增加机器成本，尤其是PostScript对打印控制器的性能更高。
3.经过对多款使用PCL语言和PostScript语言的黑白和彩色激光打印机进行测试。发现，使用PCL语言的打印机在处理文本或一些常见办公应用软件下的文档时具有非常明显的速度优势，在这些应用下，在打印质量方面与使用PostScript语言的打印机也没有差距。使用PostScript语言的打印机在常见办公应用下的打印速度要慢一些，但在处理PDF文件或在Photoshop等软件下打印大的图形图像文件时具有一定的速度优势，同时其在图形表现准确度、色彩表现准确度和一些字库表现准确度方面也比PCL语言有优势。所以PCL语言比较适合一些普通的商务办公应用，而PostScript语言更加适合对图形和色彩准确度要求比较高的专业应用。这也是目前许多打印机产品同时提供PCL和PostScript两个版本的驱动的一个重要原因。
其他相关
其他要说的一点是关于选配打印语言的问题，打印语言有标配和选配两种：所谓标配是把打印语言解释成一段程序，加载在打印机主控芯片程序里面，从主机过来的打印语言格式数据流直接在此芯片中解释成机芯所能识别和控制的视频数据。而选配则是把打印语言解释器做成了一个相对独立的硬件，插于打印机控制器中预留的解释器插槽中。相对于标配，选配的数据读取速度较慢，数据精确度较低。厂商采取选配打印语言的策略就是为了降低打印机的成本，一般的用户用其自带的打印语言就可以完成相应的工作了，但如果有用户需要其的打印语言，那选购打印语言模块后直接插在打印机上就可以了。
- 2021-12-06 00:32:29下载
- 积分：1
-
Iocomp.Components.v4.02.SP2
ActiveX/VCL工控仪表控件 Iocomp ActiveX/VCL 是一套用于工业控制的仪表盘控件，适用于 ActiveX 或 VCL 开发环境。Iocomp 工业仪表盘控件包（VCL版）包括多种用来创建专业的仪表和测量、工业控制、工业监控等相关的应用程序的控件包，包括仪表盘控件、开关控件、 实时曲线控件、LED灯控件等等。
- 2021-05-07下载
- 积分：1
-
cmd批处理命令帮助文档
windows cmd 指令帮助文档。html版本，快速查找帮助。附带的bat文件可以生成这一帮助文档。
- 2020-11-27下载
- 积分：1
-
django学生信息管理系统
django学生信息管理系统，功能完整，代码完整。。。。。。
- 2020-06-25下载
- 积分：1
-
图像变换 二维离散傅里叶变换
数字图像处理的图像变换专题，二维离散傅里叶变换的原理，性质，基于matlab应用
- 2021-05-06下载
- 积分：1
-
sklearn0.19中文文档
sklearn0.19中文文档 PDF格式高清。.1. 广义线性模型1.1.1. 普通最小二乘法1.1.1.1. 普通最小二乘法复杂度1.1.2. 岭回归1.1.2.1. 岭回归的复杂度1.1.2.2. 设置正则化参数：广义交叉验证1.1.3. Lasso1.1.3.1. 设置正则化参数1.1.3.1.1. 使用交叉验证1.1.3.1.2. 基于信息标准的模型选择1.1.3.1.3. 与 SVM 的正则化参数的比较1.1.4. 多任务 Lasso1.1.5. 弹性网络1.1.6. 多任务弹性网络1.1.7. 最小角回归1.1.8. LARS Lasso1.1.1.监督学习1.1.广义线性模型o1.1.1.普通最小二乘法1.1.1.1.普通最小二乘法复杂度o1.1.2.岭回归1.1.2.1.岭回归的复杂度1.1.22.设置正则化参数:广义交叉验证o 113. Lasso■1.1.3.1.设置正则化参数1.1.3.1.1.使用交叉验证■1.1.3.1.2.基于信息标准的模型选择1.1.3.1.3.与SVM的正则化参数的比较o1.1.4.多任务 Lassoo1.1.5.弹性网络o1.1.6.多任务弹性网络o1.1.7.最小角回归o.8. LARS Lasso■1.1.8.1.数学表达式o1.1.9.正交匹配追踪法(OMP)o1.1.10.贝叶斯回归1.1.10.1.贝叶斯岭回归1.1.10.2.主动相关决策理论-ARD1.1.11. logistic回归o1.1.12.随机梯度下降,SGDo1.1.13. Perceptron(感知器)o1.1.14. Passive Aggressive Algorithms(被动攻击算法)o1.1.15.稳健回归( Robustness regression):处理离群点( outliers)和模型错误1.1.15.1.各种使用场景与相关概念■1.1.15.2. RANSAC:随机抽样一致性算法( RANdomSAmple Consensus1.1.15.2.1.算法细节1.1.15.3.Thel-sen预估器:广义中值估计1.1.153.1.算法理论细节1.1.154. Huber回归1.1.155.注意1.1.16.多项式回归:用基函数展开线性模型1.2.线性和二次判别分析o1.2.1.使用线性判别分析来降维o12.2.LDA和QDA分类器的数学公式o123.LDA的降维数学公式o1.2.4. Shrinkage(收缩)o12.5.预估算法1.3.内核岭回归1.4.支持向量机o1.4.1.分类■1.4.1.1.多元分类■1.4.1.2.得分和概率1.4.1.3.非均衡问题1.4.2.回归o143.密度估计,异常( novelty)检测o1.4.4.复杂度o1.4.5.使用诀窍o1.4.6.核函数1.4.6.1.自定义核14.6.1.1.使用 python函数作为内核1.4.6.1.2.使用Gram矩阵14.6.1.3.RBF内核参数o1.4.7.数学公式1.4.7.1.sVC■1.4.7.2. NuSVo1.4.7.3.sVRo14.8.实现细节1.5.随机梯度下降o1.5.1.分类o1.5.2.回归1.5.3.稀疏数据的随机悌度下降o1.5.4.复杂度o1.5.5.实用小贴士o1.5.6.数学描述■1.5.6.1.SGDo1.5.7.实现细节1.6.最近邻o1.6.1.无监督最近邻■1.6.1.1.找到最近邻1.6.1.2. KDTree和 BallTree类1.62.最近邻分类o16.3.最近邻回归o1.6.4.最近邻算法1.64.1.暴力计算■1.6.4.2.K-D树1.64.3.Ba|树■1.6.4.4.最近邻算法的选择1.6.4.5.1 eaf size的影响o165.最近质心分类1.6.5.1.最近缩小质心1.7.高斯过程o1.7.1.高斯过程回归(GPR)o1.7.2.GPR示例1.7.2.1.具有噪声级的GPR估计1.722.GPR和内核岭回归( Kernel Ridge Regression)的比较1.7.2.3. Mauna loa co2数据中的GRRo1.7.3.高斯过程分类(GPC)o1.7.4.GPC示例1.7.4.1.GPC概率预测■1.74.2.GPC在XOR数据集上的举例说明■1.7.4.3.iris数据集上的高斯过程分类(GPC)o1.7.5.高斯过程内核1.7.5.1.高斯过程内核AP■1.7.5.2.基础内核■1.7.5.3.内核操作1.7.5.4.径向基函数内核1.7.5.5. Matern内核1.7.5.6.有理二次内核1.7.5.7.正弦平方内核1.7.58.点乘内核■1.7.5.9.参考文献o1.7.6.传统高斯过程1.7.6.1.回归实例介绍1.7.62.噪声数据拟合17.6.3.数学形式1.7.6.3.1.初始假设■1.7.6.32.最佳线性无偏预测(BLUP)1.7.6.3.3.经验最佳线性无偏估计( EBLUP)1.7.6.4.关联模型1.7.6.5.回归模型1.7.6.6.实现细节1.8.交叉分解1.9.朴素贝叶斯o1.9.1.高斯朴素贝叶斯o1.92.多项分布朴素贝叶斯1.9.3.伯努利朴素贝叶斯1.9.4.堆外朴素贝叶斯模型拟合1.10.决策树o1.10.1.分类o1.10.2.回归o1.10.3.多值输出问题o1.10.4.复杂度分析o1.10.5.实际使用技巧1.10.6.决策树算法:ID3,C4.5,c5.0和CARTo1.10.7.数学表达1.10.7.1.分类标准■1.10.7.2.回归标准1.11.集成方法o1.111. Bagging meta-estimator( Bagging元估计器)o1.11.2.由随机树组成的森林1.11.2.1.随机森林1.11.2.2.极限随机树1.11.2.3.参数1.11.24.并行化1.11.2.5.特征重要性评估1.11.2.6.完全随机树嵌入o 1.113. AdaBoost1.11.3.1.使用方法o1.114. Gradient Tree Boosting(梯度树提升)1.11.4.1.分类1.11.42.回归1.114.3.训练额外的弱学习器1.11.4.4.控制树的大小■1.11.4.5. Mathematical formulation(数学公式)■1.11.4.5.1. LoSS Functions(损失函数)1.114.6. Regularization(正则化)■1.14.6.1.收缩率( Shrinkage)■1.1.4.6.2.子采样( Subsampling)■1.11.4.7. Interpretation(解释性)1.114.7.1. Feature importance(特征重要性)1.114.7.2. Partial dependence(部分依赖)o1.11.5. Voting Classifier(投票分类器)1.115.1.多数类标等(又称为多数/硬投票)1.11.5.1.1.用法■1.11.52.加权平均概率(软投票)1.11.5.3.投票分类器( Voting Classifier)在网格搜索( Grid search)应用1.11.5.3.1.用法1.12.多类和多标签算法o1.12.1.多标签分类格式o1.12.2.1对其余1.122.1.多类学习1.122.2.多标签学习o1.12.3.1对11.12.3.1.多类别学习o1.12.4.误差校正输出代码1.12.4.1.多类别学习o1.12.5.多输出回归o1.12.6.多输出分类o1.12.7.链式分类器·1.13.特征选择1.13.1.移除低方差特征o1.13.2.单变量特征选择o1.13.3.递归式特征消除o1.13.4.使用 Select From Mode选取特征■1.13.4.1.基于L1的特征选取1.13.4.2.基于Tree(树)的特征选取1.13.5.特征选取作为 pipeline(管道)的一部分1.14.半监督学习o1.14.1.标签传播1.15.等式回归1.16.概率校准1.17.神经网络模型(有监督)o1.17.1.多层感知器o1.17.2.分类o1.17.3.回归o1.17.4.正则化o1.17.5.算法o1.17.6.复杂性o1.17.7.数学公式o1.178.实用技巧o1.17.9.使用 warm start的更多控制
- 2021-05-06下载
- 积分：1
-
微信抽奖源码PHP前后台+转盘+数据库完整示例
微信抽奖源码PHP前后台+转盘+数据库完整示例
- 2020-12-01下载
- 积分：1
|
联系客服（QQ：3324461878）
