COLLADAMax.dle插件及DaeToGltf工具-2014

SVPWM技术，用于异步电机的控制，电机控制中的矢量控制，直接转矩控制较常用SVPWM技术，动态特性好，控制速度快的优点。。

【实例简介】gmii模式下de2的以太网数据传输verilog实现，纯verilog代码编写

labview中界面跳转的实现方法。界面间的链接，就是运行主界面的按钮控件后，跳转到调用的子界面，然后点击子界面上的返回按钮，跳回主界面。

IEEE 802.1AS标准是一组应用与以太模式下的城域网及接入网络的时间同步。该标准所规范的协议严格保证了时延敏感的业务（声音、视频等）在基于以太的桥接网络或虚拟桥接网络等时延固定或对称的传输媒质中的同步传送。其内容包括在网络正常运行或添加、移除或重配置网络组件和网络故障时对时间同步机制的维护，并规范了IEEE 1588在IEEE标准802.1Q和802.1D中的应用。

基于视频检测的车辆测速方法 基于视频检测的车辆测速方法《现代电子技术》2009年第23期总第310期b电子技术应用1.4基于灰度的图像匹配图像下端位置在世界坐标中的点(即Pa)距离相机的水由于拍摄范围较小,在两帧间.忽略车辆因远离相平距离,即图像中距离相机的最近点:;D_FAR为图像机产生的几何变化,根据图像块间的灰度差平方和作为上端位置在世界坐标中的点(即P)距离相机的水平距匹配判定依据离,即图像中距离相机的最远点;O为摄像机光心;HsiE=∑/li,j-I1(i,j)76)为图像高度;P为机动车上某一点,该点在图像坐标系式中:1,(i,j是第n帧中车尾处图像块l()为中的纵坐标上(即图像高度方向)对应点Q;dst为机第n+1帧中,从对应于第n帧的车尾位置开始,向上动车上的点P距离摄像机的水平距离;Y为机动车上依次搜索到的图像块的点P距离地面的高度如图2所示,在第87帧的帧差边缘二值图像中(c)由世界坐标中的相互关系可得检测到车尾时,将86帧中车尾区域对应图像作为被匹Z0= arctan(D_NEARH-CAM) (8)配图像(图2(a)),在87帧中搜索与该图像最匹配的位arctan(D-FARH- CAM置(图2(b))。图2(a)、(b)屮矩形框在垂直方向上移动结合图像坐标系的像素,即相机坐标系下车辆移功的距离∠0=(∠甲-∠0)12= arctan/ H/22车辆测速方法∠U= arct an2.1速度测量在各种测速方法中,所有的测速设备都是依据由式(5)可得:式(7)得到的n△s/△(7)利用视频检测方法对午辆进行测速时,Δt为两帧对车辆上任意点P到相机光心连线,与相机垂直图像之间的时间差,可根括摄像机采集帧率计算得到,方向的夹角通常是一个固定值,Δs需要通过图像处理方法在图像∠中= arctan H_CAM-y序列中找到被测车辆实际移动的距离。考虑图中∠中,∠0,∠8∠之间的关系,有:2.2距离测量考虑摄像机架设位置和角度,对两张图像中相匹配∠φ=∠0+(∠4-∠0)/2+∠V1Qn>H/2点建立车辆移动距离模型,如图3所示∠0+(∠9-∠0/2-∠Qv

基于多层编码遗传算法的车间调度算法，结合具体问题给出了程序分析

【实例简介】这是一个使用深度学习工具箱中的长短期存储器（LSTM）网络在OFDM系统信号检测接收器上实现符号分类的例子。 is is an example of using the long short-term memory (LSTM) network in the Deep Learning Toolbox to achieve symbol classification at the receiver for signal detection in OFDM systems. 基于LSTM的神经网络是针对单个子载波进行训练的，该神经网络计算符号误码率（SER），并与最小二乘（LS）和最小均方误差（MMSE）估计进行了比较。

对应的详细说明请看 http://blog.csdn.net/u012175089/article/details/60962685内容简单，用来学习非常适合

官网下载的Keil.STM32L0xx_DFP.2.0.0.pack。亲测，OK。只需要下载，解压，安装.pack包到自己的KEIL安装路径即可（一般默认安装路径）

如何用C#做一个悬浮窗口程序?网上有许多的教材但没有源码下载，自己写了一个于大家分享,内附教程.用C#做一个像FlashGet的悬浮窗口，其实很简单，不像以前需要调用很多系统API。大致的步骤如下。首先是主窗体部分，悬浮窗口部分