基于51单片机的温湿度采集DHT11

在线签名识别源程序，里面有三种算法实现还有应用实例(Signature identification online source, which has three kinds of algorithms have application implementation)

S3C44b0X 的中断程序代码................(Interruption S3C44b0X code ................)

数据挖掘中关联规则的经典算法Apriori算法源代码，可以连接到数据库(Data Mining Association Rules classical algorithm Apriori algorithm source code, can be connected to the database)

里面包含了单片机MSP430F6638的基本所有模块代码以及注解，适合新手学习使用。其中包括了 AD DA，温度测量，LCD显示，风火轮，LED灯，多通道和单通道的数据采集。从简单到复杂，深入浅出，适合新手加深对单片机的理解和使用。

说明：  摄像头OV7670模块调试资料，硬件参考电路、51、STM32源码。(Camera OV7670 module debugging data, hardware reference circuit, 51, STM32 source code.)

支持8080并行SPI，1052芯片源代码，弄了好久，太费时间了

我自己项目中在用  实现  U盘升级程序 ， 可以直接使用  

摄像头大头贴 实例 源码

粒子群算法 粒子群优化算法的起源：粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和Kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，动物行为学家曾仔细观察过蚂蚁的觅食行为，发现不管初始时同一蚁巢的蚂蚁从蚁巢到食物的觅食路径是如何的随机，随着觅食的蚂蚁往返次数的增加，蚁群总能找到最短的觅食路径。著名的蚁群算法正是受蚁群觅食行为的启发而产生的进而利用群体智能建立的一个简化模型。利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。

人工蜂群算法简介与程序分析   目前人工蜂群算法主要分为基于婚配行为与基于釆蜜行为两大类，本文研究的是基于釆蜜行为的人工蜂群算法。 蜜蜂采蜜   自然界中的蜜蜂总能在任何环境下以极高的效率找到优质蜜源，且能适应环境的改变。蜜蜂群的采蜜系统由蜜源、雇佣蜂、非雇佣蜂三部分组成，其中一个蜜源的优劣有很多要素，如蜜源花蜜量的大小、离蜂巢距离的远近、提取的难易程度等；雇佣蜂和特定的蜜源联系并将蜜源信息以一定概率形式告诉同伴；非雇佣蜂的职责是寻找待开采的蜜源，分为跟随蜂和侦查蜂两类，跟随峰是在蜂巢等待而侦查蜂是探测蜂巢周围的新蜜源。蜜蜂采蜜时，蜂巢中的一部分蜜蜂作为侦查蜂，不断并随机地在蜂巢附近寻找蜜源，如果发现了花蜜量超过某个阈值的蜜源，则此侦査蜂变为雇佣蜂开始釆蜜，采蜜完成后飞回蜂巢跳摇摆舞告知跟随峰。摇摆舞是蜜蜂之间交流信息的一种基本形式，它传达了有关蜂巢周围蜜源的重要信息如蜜源方向及离巢距离等，跟随峰利用这些信息准确评价蜂巢周围的蜜源质量。当雇佣蜂跳完摇摆舞之后，就与蜂巢中的一些跟随蜂一起返回原蜜源采蜜，跟随蜂数量取决于蜜源质量。以这种方式，蜂群能快速且有效地找到花蜜量最高的蜜源。 算法模型 人工蜂群算法就是模拟蜜蜂的采蜜过程而提出的一种新型智能优化算法，它也是由食物源、雇佣蜂和非雇佣蜂三部分组成。食物源：食物源即为蜜源。在任何一个优化问题中，问题的可行解都是以一定形式给出的。在人工蜂群算法中，食物源就是待求优化问题的可行解，是人工蜂群算法中所要处理的基本对象。食物源的优劣即可行解的好坏是用蜜源花蜜量的大小即适应度来评价的。雇佣蜂：雇佣蜂即为引领蜂与食物源的位置相对应，一个食物源对应一个引领蜂。在人工蜂群算法中，食物源的个数与引领蜂的个数相等；引领蜂的任务是发现食物源信息并以一定的概率与跟随蜂分享；概率的计算即为人工蜂群算法中的选择策略，一般是根据适应度值以轮盘赌的方法计算。非雇佣蜂：非雇佣蜂包括跟随蜂和侦査蜂跟随蜂在蜂巢的招募区内根据引领蜂提供的蜜源信息来选择食物源，而侦查蜂是在蜂巢附近寻找新的食物源。在人工蜂群算法中，跟随蜂依据引领蜂传递的信息，在食物源附近搜索新食物源，并进行贪婪选择。若一个食物源在经过次后仍未被更新，则此引领蜂变成侦査蜂，侦查蜂寻找新的食物源代替原来的食物源。