消防指挥系统源代码

Origin/OriginPro 2017已经发布，以前的破解都失效了，附件内的破解程序经测试1周无大C。源程序下载地址见附件内。

在线教学系统网站开发源代码+视屏讲解，包括软件的安装指导，配置的更改，系统用到的代码和视屏的讲解

【实例简介】本人资源全部来自互联网，仅供学习参考、交流之用，请及时删除,如果喜欢副本内容请购买正版。 迭代学习控制 孙明轩 第一章 迭代学习控制系统 1、1 迭代学习控制系统概论 1、2 迭代学习控制过程的... 1、3 简单实例 第二章 线性系统的迭代学习控制 2、1 D 型学习律 2、2 PID 型学习律 2、3 正则线性系统的迭代... 2、4 非正则线性系统的迭... 2、5 P 型学习律 2、6 最优学习律 2、7 基于脉冲响应的学习律 第三章 非线性系统的迭代学习控制 3、1 高阶学习律 3、2 滤波器型学习律 3、3 模型算法学习律 3、4 模型参考学习律 3、5 非线性时滞系统的迭... 3、6 非正则非线性系统的... 第四章 鲁棒迭代学习控制 4、1 PID 型遗忘因子学习律 4、2 P 型遗忘因子学习律 4、3 选择学习算法 4、4 鲁棒收敛性 4、5 高增益反馈学习律 4、6 反馈-前馈迭代学习控... 4、7 非正则系统的反馈-前... 第五章 任意固定初态下的迭代学习控制 5、1 D 型学习律的极限轨迹 5、2 PD 型学习律的极限轨... 5、3 带有初始误差修正的... 5、4 其它形式的学习律 5、5 非正则系统的迭代学... 5、6 高阶非正则系统的迭... 第六章 迭代学习控制系统的 2-D 分析 6、1 Roesser 模型 6、2 正则线性离散系统的... 6、3 非正则线性离散系统... 6、4 含初始修正的学习律 6、5 线性时滞系统的迭代... 第七章 迭代学习辨识 7、1 迭代学习辨识的表述 7、2 系统初态已知时的迭... 7、3 鲁棒迭代学习辨识 7、4 系统初态未知时的迭... 7、5 外弹道气动系数辨识 第八章 迭代学习控制的回顾与展望 8、1 研究现状 8、2 研究方向 附录 迭代学习控制理论的数学基础 A、1 Bellman-Gronwall 引... A、2 差分不等式 A、3 向量函数的微分中值... A、4 向量与矩阵的范数 A、5 λ范数 参考文献

这是我毕业弄的系统，里面包含完整毕业论文，演示文档PPT以及access做的系统，希望对有需要的朋友有帮助！学生信息，教师信息。。

介绍了NCO 数字控制振荡器的工作原理 详细分析了数控振荡器的性能指标和其在FPGA中的实现方法 最后给出了新设计的数控振荡器在QUARTUS2 中的仿真结果第12卷第11期电子元器件用VoL 12 No. 112010年11月Electronic Component Device ApplicationsNov.20102069n80#顶(101#围100am)20020数篇0291潮0x)萨:日6959173国0国L图1 QUARTUS II下仿真波形图功率谱密度函数信号波形图X:4080-sn(2pi*18e61)Y5014余强信号H正弦信"7彐300>…-÷a是2500300035004C004500500055006000250255260265270275280285290图2输出频率为408ⅥH的信号波形与功率谱密度5结束语参考文献本文通过分析数控振荡器的实现原理和性张欣扩频通信数字基带信号处理算法及其vS实现能,给出了通过FPGA来实现NCO的具体方法[M]北京:科学出版社,2004同时通过 QUARTUSⅡ中的仿真验证了本设计的[2]楼顺天MAT.AB7x程序设计语言[M西安:西安电子科技大学出版社,200正确性。结果证明,用该方法设计的NCO可以输3]汤伟良,等数控振荡器在FPGA中的实现门微型机与出多种频率的信号,同时也可以减少资源消耗。应用,2003,22)X(上接第41页表1分档信息及对应放大/哀减量息,也提高了实时数控AGC电路的动态范围和整档位输入信号功放大衰档位输入信号功放大衰个系统的精度。实验结果表明,该电路能够实现号率范围/dBm减量dB号率范围/dBm诚量/dB实时AGC的电路功能,并有效扩展了动态范围。1「12,20186「-33,-24)3523,12)7参考文献36,3)8[51,4杨小牛,楼才义,徐建良软件无线电原理与应用[Ml4-15,-6)9[-80,-51)北京:电子工业出版社,200151-24,-1526实时放大衰减。同时利用FPGA器件良好的数字2]韩尧秦开宇基于数字补偿的实时自动增益控制技术研究[.电子科技大学学报,2007,36(1):79-81特性实现了数控AGC的设计,从而实现了对信号3陈爽高性能频谱分析仪中频信号处理技术研究U的实时数字增益补偿,有效减少了电路体积。同合肥:合肥工业大学,2007时,采用两级数控增益放大/衰減器级联和根据[4曹鹏,费元春.大动态范囯数字中频ACC系统的设计两路不同增益通道提取的度值来判断档位信门北京理工大学学报,2003,23(5:613-61644电子元器件在用2010.11www.ecda.cn

jQuery练习写的前端表格小例子，由于公司用bootstrap样式和layer弹窗居多，因此这增加、修改部分运用了弹窗，欢迎大家参考。

springBoot整合mybatis完整详细版，简单清晰明了，适合新手拿来研究训练学习，整合教程博客https://blog.csdn.net/iku5200/article/details/82856621

cad弱电图例全套

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

研华公司是台湾和中国大陆工业电脑产品最大的供应厂商，其PC&Web-based 数据采集和控制产品更是以优良的性价比获得了众多的客户的青睐。32 位DLL 驱动程序是研华为诸如VC，VB，DELPHI，Borland C++,C++ Builder等高级语言提供的接口，通过这个驱动程序，编程人员可以方便的对硬件进行编程控制。该驱动程序覆盖了每一款研华的数据采集卡以及MIC-2000、ADAM-4000和ADAM-5000 系列模块，应用极为广泛，是编制数据采集程序的基础。本文是在实际编写动态数据采集程序中经验的积累，对利用32 位驱动程序有实用价值。