【第5部分：确定安全完整性等级的方法示例】GBT 20438.5-2017(IEC 61508-5-2010) 电气 电子 可编程电子安全相关系统的功能安全.pdf

根据给定的一段脑电信号，对原信号进行时域和频域分析，并绘制时域波形图和频谱图。制作GUI界面。

在网上看到很多网页音乐播放器，做得都很精致漂亮，却看不到它们的代码。我在大学毕业时做的毕业设计——在线音乐网站实现，搜集了很多网页音乐播放器的资料，加上现在的整理，自己做了一个网页音乐播放器。 相关的说明在压缩包的【readme】文件中，希望给予正在开发网页音乐播放器的人员一个参考。

dsp2812 伺服电机开环恒压频比控制源代码

在特征波长选取方面有一些创新，可以作为参考。在特征波长选取方面有一些创新，可以作为参考。（基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究古文君1 ，田有文 1* ，张芳1 ，赖兴涛 1 ，何宽1 ，姚萍1 ，刘博林 2）586-482016620010~15mm0.8~2.3g。fone3:(InSpector V10E, Spectral InFinland)1392pix×1040pixCCDL CCD2(IGV-B141OM, IMPERX Incorporated, USA), 150W1. CCD Camera; 2.Spectrometer; 3.Shot; 4. Light source; 5. Samples(3900 Illuminatior, Illumination Tech6.Translationplatform7.Lightsourcecontroller;8.computernologies inc.,USA)、(IRCP0076-19. Translation platform controllerCOM,)、(120cm×50cmx(DELL VoStro 5560D-1528Figure 1 Schematic diagram of hyperspectral imagingcmsystem400~1000nm,4722.8nmRRGY-4(10mm)(DBR45(successive projections algorithm, SPA(stepwise multiple linear regression, SMLR)(SPA)(SMLR)SPASPASMLRSPA-SPA、SMLR_SMLR、SPA- SMLRSMLR-SPA21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct5871.6BP(error back propagation)BP17(correlation coeffiient of calibration, Re)(root mean square error of calibration set, RMSEC)correlation coeffiient of pre-diction, Rp)(root mean square error of prediction set, RMSEP)ENVI 4.8(Research System Inc, ), MATLAB 2014a(The Math Works Inc)、TheUnscrambler9.7、 Excel2010(Ⅵ icrosoftdgle banddWcvef.BP models for soluble solidsThe selected characteristic wavelengthCurve of relative reflectanceExtract the region of interescontent and firmness prediction2figure 2 Flow chart of data processing280mm,68ms,28mm·s-。99%202.2600nm600nm2b2c)21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct5884823(2f)BPSavitzky-Golasavitzky -golayTable 1 The effect of different spectra preprocessingCalibration setPredictioSpectrum typeRMSECRMSEPOriginal spcctrum0.933/0.9230.3510.4040.9200.9100.508/0.319MSCThe spectrum after MSC processing0.940/0.9450.56lO.3120.9190.9320.516/0.282SNThe spectrum after SNV processin0.93709340.60210.24309220.9010.6320.462Savitzky-golayThe spectrum after Savitzky-Golay processing 0.955/0.9550.3240.2410.951/0.9490.400/0.2782.5SPA-SPA SMLRSMLR SPA-SMLR SMLR-SPASPA-SPASPASavitzky-GolaySPATable 2 The results of multi-stage characteristic wavelength selection methodnmCharacteristie wavelength selection methodSPA-SPA452,455,470,482,490,785,893,912,921,942,950455,470,482,785,893.912SMLR-SMLR457,508,516,534,543,51,556,568,712,720.774,778508,534,543,712,720,774SPA-SMLR452,455,470,482,490,785,893,912,921,942,950452,470,482,490,893,912SMLR-SPA457,508,516,534,543,551,556,568,712,720,774,78534,7202.6Savilzky-gola(FS)392SPA-SPASMLR-SMLRSMLR-SMLRSMLR-SPABPBP0.001500021994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct589BPBPSPA-SPARp RMseP0.9520.391°Brix,RpRMSEP0.9530.234BrixTable 3 Detection results of soluble solid content and firmness of blueberry based on different multi-stagecharacteristic wavelength selection methodsCalibration setPrediction setCharacteristic selection method Wavelength numberRMSECRMSEP3929550.9550.324/0.2410.9510.9490.400/0.278SPA-SPA0.9590.9560.3180.1530.9520.9530.391/0.234SMLR-SMLR0.9560.9340.414/0.243912109020.559/0.349SPA SMLR0.828/0.8581.3670.58582208091.440/0.719SMLR- SPA20.958/0.9360.402/0.3359320.9280.435/0,4041387nm1229nm91.5%BPRRMSEP0.904215.163lBP3Rv0.84V0.94Rv0.83,SEV0.63。400-1000nmSavitzky-GolayBPSPA-SPASPA-SPA21994-2018ChinaAcadcmicJournalElcctronicPublishingHousc.Allrightsrcscrved.http://www.cnki.nct59048[1 KADER F,ROVEL. B Fractionation and identification of the phenolic compounds of highbush blueberries(Vaccinium corymbosumLUJ].Food Chemistry, 1996,55(1): 35-40「J,2012,33(1):340-342,2017,38(2):301-305.[4 MENDOZA F, LU R, ARIANA D,et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction ofple [ruil firmness and soluble solids conlenl[J] Poslharvesl Biology and Technology, 2011, 62(2: 149-160[5 SUN M J, ZHANG D, LIU L,et al. How to predict the sugariness and hardness of melons a near-infrared [J]. Food Chemistry,2017,218(3:413-42116 SIEDLISKA A, BARANOWSKI P, MAZUREK W, ct al. Classification models of bruise and cultivar detection on the basis of hy-perspectral imaging data[J]. Computers and Electronics in Agriculture, 2014, 106: 66-74[7 LIU D, SUN D W, ZENG X N, el al. Recenl aDvances in wavelength seleclion lechniques for hyperspectral image processing inthe food industry[J]. Food Bioprocess Technol, 2014, 7: 307-323[8 ZHANG C, GUO C T, LIU F,et al. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector ma-chine[j] Journal of Food Engincering, 2016, 179: 11-18[9J,2016,47(5:634-6402009,29(:1611-1615201536(12)171-17612]J,2012,32(11:3093309[13] LI B C, HOU B L, ZHANG D W,et al. Pears characteristics (soluble solids content and firmness prediction, varieties) testingInethods based on visible-near infrared hyperspecTral imaging[J]. OpLik, 2016, 127: 2624-2630[14] FAN S X, ZHANG B H,LI J B, et al. Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data[J. Postharvest Biology and Technology, 2016, 121: 51-61[15 RAJKUMAR P, WANG N,EIMASRY G, et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging[ JIJournal of Food Engineering 2012, 108: 194-200,2015,36(16):10172015,35(8:2297-2302[18]WANG N,2007,23(2:151-155.「192008,39(5):91-9320」201536(10:70-74.[21] WU D, SUN D WAdvanced applications of hyperspectral imaging technology for food quality and safety analysis and assess-ment a review part T[J]. Innovative Food Science and Emerging Technologies, 2013, 19(4): 1-14J2014,35(8:57-61BP,2012.124」13,44(2):142-146.25],201523(6:1530-1537M011:41-48.[27,2013,24(10:1972-19762010,30(10):2729-2733?1994-2018ChinaAcadcmicJournaleLcctronicPublishingHousc.Allrightsreservedhttp://www.cnki.nct

【实例简介】《MATLAB 神经网络43个案例分析》目录 第1章 BP神经网络的数据分类——语音特征信号分类 第2章 BP神经网络的非线性系统建模——非线性函数拟合 第3章 遗传算法优化BP神经网络——非线性函数拟合 第4章 神经网络遗传算法函数极值寻优——非线性函数极值寻优 第5章 基于BP_Adaboost的强分类器设计——公司财务预警建模 第6章 PID神经元网络解耦控制算法——多变量系统控制 第7章 RBF网络的回归--非线性函数回归的实现 第8章 GRNN网络的预测----基于广义回归神经网络的货运量预测 第9章 离散Hopfield神经网络的联想记忆——数字识别 第10章 离散Hopfield神经网络的分类——高校科研能力评价 第11章 连续Hopfield神经网络的优化——旅行商问题优化计算 第12章 初始SVM分类与回归 第13章 LIBSVM参数实例详解 第14章 基于SVM的数据分类预测——意大利葡萄酒种类识别 第15章 SVM的参数优化——如何更好的提升分类器的性能 第16章 基于SVM的回归预测分析——上证指数开盘指数预测. 第17章 基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测 第18章 基于SVM的图像分割-真彩色图像分割 第19章 基于SVM的手写字体识别 第20章 LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用 第21章 自组织竞争网络在模式分类中的应用—患者癌症发病预测 第22章 SOM神经网络的数据分类--柴油机故障诊断 第23章 Elman神经网络的数据预测----电力负荷预测模型研究 第24章 概率神经网络的分类预测--基于PNN的变压器故障诊断 第25章 基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选 第26章 LVQ神经网络的分类——乳腺肿瘤诊断 第27章 LVQ神经网络的预测——人脸朝向识别 第28章 决策树分类器的应用研究——乳腺癌诊断 第29章 极限学习机在回归拟合及分类问题中的应用研究——对比实验 第30章 基于随机森林思想的组合分类器设计——乳腺癌诊断 第31章 思维进化算法优化BP神经网络——非线性函数拟合 第32章 小波神经网络的时间序列预测——短时交通流量预测 第33章 模糊神经网络的预测算法——嘉陵江水质评价 第34章 广义神经网络的聚类算法——网络入侵聚类 第35章 粒子群优化算法的寻优算法——非线性函数极值寻优 第36章 遗传算法优化计算——建模自变量降维 第37章 基于灰色神经网络的预测算法研究——订单需求预测 第38章 基于Kohonen网络的聚类算法——网络入侵聚类 第39章 神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类 第40章 动态神经网络时间序列预测研究——基于MATLAB的NARX实现 第41章 定制神经网络的实现——神经网络的个性化建模与仿真 第42章 并行运算与神经网络——基于CPU/GPU的并行神经网络运算 第43章 神经网络高效编程技巧——基于MATLAB R2012b新版本特性的探讨

在图像拼接过程中对于旋转的图像需要进行对数极坐标变换，该程序可以实现这种功能。

stm32f103进行同步规则进行转换，其中代码做了比较详细的注释，对于同步规则中的参数进行了实验，欢迎大家指正。

风蓄联合优化运行程序，以风蓄联合运行经济效益最大为目标函数，考虑各种约束条件

python预测算整理集合,包含SVR回归预测详解及代码，AR/ARMA LSTM预测详解及代码 卡尔曼滤波，粒子滤波等算法

花钱买的，六个部分组成.├── ISO 11898-1 2015.12.15.pdf├── ISO 11898-2 2016.12.15.pdf├── ISO 11898-3 2006.06.01.pdf├── ISO 11898-4 2004.08.01.pdf├── ISO 11898-5 2007.06.15.pdf└── ISO 11898-6 2013.11.01.pdf