计算机组成原理历年试卷.zip

原文：http://blog.csdn.net/u012084981/article/details/76382991， java全自动生成krpano全景漫游，发现有很多人需要源码，那我就提供下载吧！

基于K-means聚类算法的图像分割算法的基本原理： 基于K-means聚类算法的图像分割以图像中的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。算法步骤：①随机选取K个初始聚类中心；②计算每个样本到各聚类中心的距离，同时将每个样本归到与其距离最近的聚类中心；③对每个簇，以所有样本的均值作为该簇新的聚类中心；④重复第②~③步,直到聚类中心不再变化；⑤结束，得到K个聚类。

认知无线电频谱感知之功率检测matlab代码

光伏电池组 局部阴影时输出模型 P-U曲线 I-U曲线 simulink实现 MPPT-Model

傅里叶变换和傅里叶逆变换的C++代码，亲测，有详细的解释。有问题可以留言。

可见光通信计算室内光强分布 matlab 已经调通

程序猿表白专用的html5动画特效网页，真的挺羡慕创作者的水平，有这水平可以把爱表白给想表白的人，不要以为那些鲜花是用的图片，你会发现在资源文件中没有一个图片资源，但HTML5强大的功能不能不让你惊叹，左侧的文字是类似打字效果的动画形式，因IE9以前的浏览器不支持HTML5,所以你在查看本效果的时候，最后使用火狐浏览器或Chrome浏览器。

pscad仿真电路，主要是整流

车辆路径选择问题，典型的VRP带时间窗的问题

充分了解数学建模的相关知识，其中包括各种算法以及MATLAB在数学建模中的具体应用以及相关的程序代码，综合各方面的知识，方便我们了解例如线性规划maxx s.t. Ax>b的Maab标准型为min -cx s.Axcx∑anx,=bi=12,…,mst≥可行解满足约束条件(4)的解x=(x1,x2,…,xn),称为线性规划问题的可行解,而使目标函数(3)达到最大值的可行解叫最优解可行域所有可行解构成的集合称为问题的可行域,记为R14线性规划的图解法101+x2=106z=12图1线性规划的图解示意图图解法简单直观,有助」了解线性规划问题求解的基木原坦。我们先应用图解法来求解例1。对于每一固定的值z,使目标函数值等于z的点构成的直线称为目标函数等位线,当z变动时,我们得到一族平行直线。对于例1,显然等位线截趋于右上方,其上的点具有越大的目标函数值。不难看出,本例的最优解为x*=(2,6),最优目标值26从上面的图解过程可以看出并不难证明以下断言:(1)可行域R可能会出现多种情况。R可能是空集也可能是非空集合,当R非空时,它必定是若干个半平面的交集(除非遇到空间维数的退化)。R既可能是有界区域,也可能是无界区域(2)在R非空,线性规划既可以存在有限最优解,也可以不存在有限最优解(其目标函数值无界)。(3)若线性规划存在有限最优解,则必可找到具有最优目标函数值的可行域R的“顶点”。上述论断可以推广到一般的线性规划问题,区别只在」空问的维数。在一般的n维空间中,满足一线性等式∑a1x=b的点集被称为一个超平面,而满足一线性不等式氵=1∑ax≤b(或∑a1x,≥b)的点集被称为一个半空间(其中(a1…,an)为一n维行向量,b为一实数)。若千个半空间的交集被称为多胞形,有界的多胞形又被称为多面体。易见,线性规划的可行域必为多胞形(为统一起见,空集Φ也被λ为多胞形)。在一般n维空问中,要直接得出多胞形“顶点”概念还有一些困难。二维空间中的顶点可以看成为边界直线的交点,但这一几何概念的推广在一般n维空间中的几何意义并不十分直观。为此,我们将采用另一途径来定义它。定义1称n维空间中的区域R为一凸集,若Vx,x2∈R及元∈(01),有x+(1-4)x2∈R定义2设R为n维空间中的一个凸集,R中的点x被称为R的一个极点,若不存在x、x2∈R及∈(0,1),使得x=4x+(1-4)x2。定义1说明凸集中任意两点的连线必在此凸集中;而定义2说明,若x是凸集R的个极点,则x不能位于R中任意两点的连线上。不难证明,多胞形必为凸集。同样也不难证明,维空间中可行域R的顶点均为R的极点(R也没有其它的极点)1.5求解线性规划的 Matlab解法单纯形法是求解线性规划问题的最常用、最有效的算法之一。这里我们就不介绍单纯形法,有兴趣的读者可以参看其它线性规划书籍。下面我们介绍线性规划的 Matlab解法Matlab中线性规划的标准型为min c rAx shs t.Aeq. x=beb