树莓派实时传输图像到pc机

基于STM32F103RBT6移植uCOSII成功，实现多任务移植工程文件下载。采用最新的官方uCOSII V2.90，硬件芯片平台：基于STM32F103RBT6或RCT6。本实例实现的功能为：建立7个用户任务，控制LED运行LED，继电器，串口打印等。 在Keil uVision4 调试通过。希望大家参考。

有MFC做的简单的仓库管理系统，ODBC连接ACCESS，要用其它的数据库可以自己更改

STM32F1 直线倒立摆程序代码 所使用功能 STM32正交编码

对相对定位和基线解算 模糊度固定都有很好的理解。源码可以实现厘米级动态基线解算和毫米级静态基线解算。

这是一个说话人识别matlab源代码，有两个特征可以选择MFCC和SBC,模式匹配使用了GMM。测试了80人的数据库，MFCC识别正确率为80%，SBC为40%左右

gcc离线安装 rpm 安装包

通过实例对人工神经网络的实际应用进行分析和讲解，清晰的代码一目了然每神经元有许多输入、输出键,各神经元之间以连接键(又称突触)相连,它决定神经元之间的连接强度(突触强度)和性质(兴奋或抑制),即决定神经元间相互作用的强弱和正负,共有三种类型:兴奋型连接、抑制型连接、无连接。这样,个神经元(一般很大)构成一个相互影响的复杂网终系统,通过调整网络参数,可使人工神经网络具有所需要的特定功能,即学习、训练或自组织过程。一个简单的人工神经网络结构图如下所示:上图中,左侧为输入层(输入层的神经元个数由输入的维度决定),右侧为输出层(输出层的神经元个数由输出的维度决定),输入层与输出层之间即为隐层。输入层节点上的神经元接收外部环境的输入模式,并由它传递给相连隐层上的各个神经元。隐层是神经元网络的内部处理层,这些神经元在网络内部构成中间层,不直接与外部输入、输出打交道。人工经网络所具有的模式变换能力主要体现在隐层的神经元上。输出层用于产生神经网络的输出模式。多层神经网络结构中有代表性的有前向网络(BP网络)模型Page 3 of 25多层侧抑制神经网络模型和带有反馈的多层神经网络模型等。本文主要探讨前向网络模型多层前向神经网络不具有侧扣制和反馈的连接方式,即不其有本层之间或指向前一层的连接弧,只有指向下一层的连接弧。代表是BP神经网终:输入模式由输入层进入网终,经中间各隐层的顺序变换,最后由输出层产生一个输出模式,如下图所示:输入层隐层输出层多层前向神经网终由隐层神经元的非线性处理衍生它的能力,这个任务的关键在于将神经元的加权输入非线性转换成一个输出的非线性激励函数。下图给出了一个接收个输入的神经元:Page 4 of 25神经元的输出由下式给出:这里输入的加权和(括号内部分)由一个非线性函数传递,表示与偏差输入相关的权值,表示与第个输入相关的权值。使用最广泛的函数是S形函数,其曲线家族包括对数函数和双曲正切函数,这些都可用来对人口动态系统、经济学系统等建模。另外所用的其他函数有高斯函数、正弦函数、反正切函数,在此不一一展开介绍,本文主要使用的激励函数是对数函数,函数表达式为函数曲线如下图所示对于有限输入量,对数函数输出范围为∈。在输入为=时,输出值为中问值输出在—附近随着输入的增加以相对快的Page 5 of 25速率增加并非常慢地到达上限。对于

在研究自抗扰控制技术的基础上，以MATLAB/SIMULINK 为仿真平台，编写M_Funtion 程序实现特殊非线性函数、应用 S_Funtion 定制跟踪微分器和扩张状态观测器等新型动态系统模块、利用子系统封装技术完成控制律组合和常用自抗扰控制器算法，按照模块化建模思想，创建了用户自定义的自抗扰控制器模块库。通过串级调速自抗扰控制系统的仿真实例，说明利用该模块库，实现了自抗扰控制技术的图形化建模，参数设置修改直观方便，而且创建方法简单易行、可扩充性强，不仅为自抗扰控制技术的仿真研究提供了有效工具，并且对相关领域的仿真模型库扩建具有参考价值。

基于STM32F103的PT100测温程序，通过pt100铂电阻与温度的线性性

【实例简介】第一帧手动框选目标，通过光流实时跟踪目标，欢迎交流