图论算法 最短路径 最小生成树 连通性 支配集 A*算法.rar

虚拟同步发电机的simulik仿真模型，研究其功率随负荷改变而波动的过程相关文件：[vsg] 虚拟同步发电机，可用于实验和教学，内容丰富[VSG21] 虚拟同步发电机的simulik仿真模型，研究其功率随负荷改变而波动的过程。[VSG] 并网逆变器的虚拟同步发电机控制技术的一些资料

西安交通大学信号检测与估值作业matlab仿真 关于窄带高斯噪声，样本函数为基础的最小错误概率的准则下的matlab仿真

最大后验概率 MAP 准则以及matlab源码

GBT 33783-2017 可编程逻辑器件软件测试指南.pdf

介绍电力系统MATLAB仿真比较好的两本入门书籍

【实例简介】计算机视觉的基本任务之一是从摄像机获取的图像信息出发计算三维空间中物体的几何信息，并由此重建和识别物体。这两者之间的关系就是由摄像机的几何成像模型来决定，即由摄像机的参数来决定。这里提供了张正友和Tasi的两种标定方法的源程序！

①定义输出或输入为直流电能的旋转电机，称为直流电机，它是能实现直流电能和机械能互相转换的电机。 ②用PWM（Pulse Width Modulation）方式来控制转速；通过脉冲波输入的引脚来控制方向。 ③本实验中采用RF-310T-11400型号直流电机，同时配有光耦测速模块。通过检测输出脉冲来检测电机转速。 基于FPGA的直流电机/基于FPGA的直流电机 ├── dc1 │   ├── db │   │   ├── cmpr_kkg.tdf │   │   ├── dc1.(0).cnf.cdb │   │   ├── dc1.(0).cnf.hdb │   │   ├── dc1.(1).cnf.cdb │   │   ├── dc1.(1).cnf.hdb │   │   ├── dc1.(10).cnf.cdb │   │   ├── dc1.(10).cnf.hdb │   │   ├── dc1.(11).cnf.cdb │   │   ├── dc1.(11).cnf.hdb │   │   ├── dc1.(12).cnf.cdb │   │   ├── dc1.(12).cnf.hdb │   │   ├── dc1.(2).cnf.cdb │   │   ├── dc1.(2).cnf.hdb │   │   ├── dc1.(3).cnf.cdb │   │   ├── dc1.(3).cnf.hdb │   │   ├── dc1.(4).cnf.cdb │   │   ├── dc1.(4).cnf.hdb │   │   ├── dc1.(5).cnf.cdb │   │   ├── dc1.(5).cnf.hdb │   │   ├── dc1.(6).cnf.cdb │   │   ├── dc1.(6).cnf.hdb │   │   ├── dc1.(7).cnf.cdb │   │   ├── dc1.(7).cnf.hdb │   │   ├── dc1.(8).cnf.cdb │   │   ├── dc1.(8).cnf.hdb │   │   ├── dc1.(9).cnf.cdb │   │   ├── dc1.(9).cnf.hdb │   │   ├── dc1.asm.qmsg │   │   ├── dc1.asm_labs.ddb │   │   ├── dc1.cbx.xml │   │   ├── dc1.cmp.bpm │   │   ├── dc1.cmp.cdb │   │   ├── dc1.cmp.ecobp │   │   ├── dc1.cmp.hdb │   │   ├── dc1.cmp.logdb │   │   ├── dc1.cmp.rdb │   │   ├── dc1.cuda_io_sim_cache.45um_ff_1200mv_0c_fast.hsd │   │   ├── dc1.cuda_io_sim_cache.45um_ss_1200mv_85c_slow.hsd │   │   ├── dc1.db_info │   │   ├── dc1.eco.cdb │   │   ├── dc1.eds_overflow │   │   ├── dc1.fit.qmsg │   │   ├── dc1.fnsim.cdb │   │   ├── dc1.fnsim.hdb │   │   ├── dc1.fnsim.qmsg │   │   ├── dc1.hier_info │   │   ├── dc1.hif │   │   ├── dc1.map.bpm │   │   ├── dc1.map.cdb │   │   ├── dc1.map.ecobp │   │   ├── dc1.map.hdb │   │   ├── dc1.map.logdb │   │   ├── dc1.map.qmsg │   │   ├── dc1.map_bb.cdb │   │   ├── dc1.map_bb.hdb │   │   ├── dc1.map_bb.hdbx │   │   ├── dc1.map_bb.logdb │   │   ├── dc1.pre_map.cdb │   │   ├── dc1.pre_map.hdb │   │   ├── dc1.psp │   │   ├── dc1.root_partition.cmp.atm │   │   ├── dc1.root_partition.cmp.dfp │   │   ├── dc1.root_partition.cmp.hdbx │   │   ├── dc1.root_partition.cmp.logdb │   │   ├── dc1.root_partition.cmp.rcf │   │   ├── dc1.root_partition.map.atm │   │   ├── dc1.root_partition.map.hdbx │   │   ├── dc1.root_partition.map.info │   │   ├── dc1.rtlv.hdb │   │   ├── dc1.rtlv_sg.cdb │   │   ├── dc1.rtlv_sg_swap.cdb │   │   ├── dc1.sgdiff.cdb │   │   ├── dc1.sgdiff.hdb │   │   ├── dc1.signalprobe.cdb │   │   ├── dc1.sim.cvwf │   │   ├── dc1.sim.hdb │   │   ├── dc1.sim.qmsg │   │   ├── dc1.sim.rdb │   │   ├── dc1.simfam │   │   ├── dc1.sld_design_entry.sci │   │   ├── dc1.sld_design_entry_dsc.sci │   │   ├── dc1.sta.qmsg │   │   ├── dc1.sta.rdb │   │   ├── dc1.sta_cmp.8_slow_1200mv_85c.tdb │   │   ├── dc1.syn_hier_info │   │   ├── dc1.tis_db_list.ddb │   │   ├── dc1.tiscmp.fast_1200mv_0c.ddb │   │   ├── dc1.tiscmp.fastest_slow_1200mv_0c.ddb │   │   ├── dc1.tiscmp.fastest_slow_1200mv_85c.ddb │   │   ├── dc1.tiscmp.slow_1200mv_0c.ddb │   │   ├── dc1.tiscmp.slow_1200mv_85c.ddb │   │   ├── dc1.tmw_info │   │   ├── logic_util_heursitic.dat │   │   ├── mux_96e.tdf │   │   ├── mux_cqc.tdf │   │   ├── mux_m6d.tdf │   │   ├── mux_src.tdf │   │   ├── prev_cmp_dc1.asm.qmsg │   │   ├── prev_cmp_dc1.fit.qmsg │   │   ├── prev_cmp_dc1.map.qmsg │   │   ├── prev_cmp_dc1.qmsg │   │   ├── prev_cmp_dc1.sim.qmsg │   │   ├── prev_cmp_dc1.sta.qmsg │   │   └── wed.wsf │   ├── dc1.asm.rpt │   ├── dc1.bdf │   ├── dc1.done │   ├── dc1.fit.rpt │   ├── dc1.fit.smsg │   ├── dc1.fit.summary │   ├── dc1.flow.rpt │   ├── dc1.map.rpt │   ├── dc1.map.summary │   ├── dc1.pin │   ├── dc1.qpf │   ├── dc1.qsf │   ├── dc1.qws │   ├── dc1.sim.rpt │   ├── dc1.sof │   ├── dc1.sta.rpt │   ├── dc1.sta.summary │   ├── dc1.vwf │   ├── dcmotor1.bsf │   ├── dcmotor1.vhd │   ├── dcmotor2.vhd │   ├── dcmotor3.vhd │   ├── dcmotor4.vhd │   ├── dcmotor4.vhd.bak │   ├── incremental_db │   │   ├── README │   │   └── compiled_partitions │   │       ├── dc1.root_partition.cmp.cdb │   │       ├── dc1.root_partition.cmp.dfp │   │       ├── dc1.root_partition.cmp.hdb │   │       ├── dc1.root_partition.cmp.kpt │   │       ├── dc1.root_partition.cmp.logdb │   │       ├── dc1.root_partition.cmp.rcfdb │   │       ├── dc1.root_partition.cmp.re.rcfdb │   │       ├── dc1.root_partition.map.cdb │   │       ├── dc1.root_partition.map.dpi │   │       ├── dc1.root_partition.map.hdb │   │       └── dc1.root_partition.map.kpt │   ├── key_check.vhd │   ├── key_check.vhd.bak │   ├── mux1.vhd │   ├── rate.vhd │   └── xianshi.vhd └── 新建 Microsoft Word 文档.docx 4 directories, 146 files

关于认知无线电频谱分配方面的知识，希望对寻找资源的同学有帮助第37卷第19期何利,郑湘渝,刘振坤:基于图着色理论的最大效用频谱分配算法9542最大平均效用ISAA,但小于CSGC的时问开销。但是由图2可知,在同一图2分别给出了CSGC、ISAA和MUAA3种算法在用频谱数目下,MUAA算法的最大平均效用是最高的,并且随户取值为7和12时的最大平均效用。随着系统中频谱数的不着系统中频谱数目的増多,MUAA算法的最大平均效用高于淅增加,3种算法的最大平均效用基本呈现上升趋势,但是SAA算法,ISAA算法和(S(C算法的效用相同。MUAA算MUAA算法的最大平均效用増加趋势大于CSGC和ISAA算法以牺牲较少的时间开销获得了较大的系统效用,可见,法,这是因为随着频谱数目增加,MUAA算法的用户提高了MUAA算法是这3种算法中最优的。频谱的复用率。5结束语120本文研究了认知无线电网络屮基于图论着色模型的频谱H-ISAAMUAA分配算法,在分析CSGC、ISAA存在的问题基础上,提出兼CSGC顾系统效用和时间开销的MUAA算法,并对3种算法在系统效用和时间开销方面进行仿真比较。仿真结果表明,MUAA算法是有效的。下一步工作是将ISAA的并行计算方法应用2个到MUAA屮,在不增加时间开销的基础上,提高频谱分配的系统效用。参考文献[1] Shared Spectrum Company. Dynamic Spectrum Use[EB/OLI频谱数日(2007-04-25).http://www.sharedspectrum.com(an=7[2]Zheng Haitao, Peng Chunyi. Collaboration and Fairness inOpportunistic Spectrum Access[C]/Proc. of the 40th AnnuaMUAAInlernatiunal Conference on Communications. Seoul Kurea: Ieee3]廖楚林,陈劼,唐有喜,等.认知无限电中的并行频谱分配算法[J.电子与信息学报,2007,29(7:1608-1611[4 Wang Jiao, Huang Yuqing, Jiang Hong. Improved algorithm ofSpectrum Allocation Based on Graph Coloring Model in CognitiveRadio[clproc. of International Conference on Communicationsand Mubile Conputing. Washington D. C, USA: IEEE CoInputer频谱数目ociety,2009:353-357[S]彭振,赵知劲.基于混合蛙跣算法的认知无线电频谱分配[门.图2CsGC、ISAA和MUAA的最大平均效用计算机工程,2010,36(6):210-212.综上所述,由图1可知,MUAA算法的时间开销稍大」编辑陆燕菲(上接第92页信道下本地频谱感知和认知网络合作频谱感知进行研究和仿真,结果表明,合作频谱感知能明显改善 Rician衰洛信道的检测效果。下一步工作是研究其他衰落信道如 Nakagami信道下无线认知网络的合作频谱感知参考文献[]周贤伟.软件无线电M].北京:国防工业出版社,2008AWGN[2 Ghascmi A, Sousa E s. Collaborative Spcctrum Sensing forOpportunistic Access in Fading Environments[C]//Proc. of the Ist10IEEE SYmp. on Dynamic Spectrum Access Networks, Baltimore,103锴误警报概率USA: IEEE Press. 2005: 131-136图4不同用户数目时合作频谱感知的ROC曲线[3] Digham FF, Alouini M S, Simon M K On the Energy Detection of4绪束语Unknown Signals over Fading Channels[C]/Proc. of ICC"03在深度阴影衰落环境屮,认知用户需要合作频谱感知来Ottawa Canada: IEEE Press. 2003: 3575-3579检测到主用户的存在。 Rician信道模型适用于郊区或农村建4 Fctc b a.认知无线电技术lMJ.赵知劲,郑什链,尚俊娜,译模,以后将可能广泛应用,因此,对 Rician衰落信道的认知北京:科学出版社,2008网络合作频谱感知的研究具有重要意义。本文对 Rician衰落编辑金胡考C1994-2012ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct

Matlab神经网络工具箱使用教程,其实通过Matlab神经网络工具的一些命令组合，可以轻易实现贝叶斯神经网络工具箱的功能，这里所讲的贝叶斯神经网络工具箱是有第三方开放，比较容易使用的贝叶斯神经网络工具箱。

合宙Air724 Cat1 4G物联网模块DTU固件，包含以下固件iRTU_1.8.11_Luat_V0009_RDA8910.paciRTU_1.8.11_Luat_V0009_RDA8910_FLOAT.paciRTU_1.8.11_Luat_V0009_RDA8910_TTS.pac