求解非线性不动点方程组x=G(x)的非线性塞德尔迭代方法，初值x0...

针对频率、幅值和相位均发生变化的时变信号，现有自适应陷波器(ANF)频率估计方法存在信号频率跟踪精确性和稳定性不足的问题，为此提出了一种基于新误差函数的ANF时变信号频率跟踪方法，通过新误差函数改善自适应算法收敛至最优频率解的精度与速度，以提高时变信号频率跟踪的精确性和稳定性。给出了新误差函数分析结果，新ANF方法实现步骤和该频率估计方法的Cramer-Rao下限。通过训一算与现有ANF的时变信号频率跟踪方法性能进行了比较分析，并针对科里奥利质量流量训一时变信号进行了现场实验验证。结果表明，该方法具有收敛速度快、跟踪精度高、更接近Cramer-Rao下限和抗噪性好的优点。

交流调速，是一套交流调速的C语言开发软件，该套软件已在实际应用系统得到了验证，是一个开环交流调速系统，也进行了带载试验，有突加负载，突减负载，突加给定，突减给定实验。实验各项参数都达到了甲方所提的设计要求。其中CPU是选用MICRCHIP公司的芯片。有需要者，可根据自己的具体项目进行适当的修改，就可应用与自己的项目。

资源描述摘要：在分析无线传感器网络国内外研究现状及技术成熟度的基础上，从技术层面阐述了无线传感器网络与物联 网之间的相互关系，总结了无线传感器网络系统执行所需要的信息采集系统设计、网络服务支持和网络通信协议设 计等关键技术，说明了无线传感器网络未来发展所面临的挑战，并提出了面向物联网的无线传感器网络发展新思路。 关键词：无线传感器网络；物联网；信息采集系统；网络服务支持；网络通信协议

Convert function from Hex to bi

Es 联合国帕斯方案十分构成 se trata de la conexion del arduino con el 软件 labview 德调查 es 联合国 sub VI de labview

开发环境：vc++6.0 windows2000 专业版 在正常情况下，opengl开发包在安装完vc++6以后，就已经安装好了， 所以本程序不需要其他的组件 源代码包含了三维地形生成的全过程，包括数据的读入，数据的组织， 三角网的构造，光照、材质、纹理等应用，对于核心代码均有简明的注释 至于某些特殊函数，请参考opengl和windowsapi的书籍，在msdn上均可以查到函数的使用说明。 几个文件的说明： dh10.bmp是本程序使用的导弹模型的纹理图片 dh10.mtl是本程序使用的导弹模型的材质文件 dh10.obj是本程序使用的导弹模型的数据文件 draw.dll，draw.h,draw.lib 专门用于绘制三维模型的通用动态库及其相关文件，由于项目原因，这部分源代码还不能公开 直接运行需要的文件 .exe dh10.bmp dh10.mtl dh10.obj draw.dll

1.求解像素点在水平方向的梯度 2.求解像素点在垂直方向的梯度 3.生成高斯滤波w(s,t)          4.用高斯模板对图像进行相关运算（线性滤波） 5.针对每个像素点（i,j),计算矩阵M 6.如果R(i,j)是3*3邻域内的极大值，且大于阀值，则选为角点 7.统计角点个数 8.确定角点位置           

定义HuffmanTree的数据结构（二叉树），实现输入一组数据后自动生成HuffmanTree。提供HuffmanTree的层次遍历算法。

很简单的程序,只是一个+法运算,给大家玩玩,想下载个资源-GOOD

UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一