-
tmac 在omnet下的实现
在omnet4.0平台以上实现的tmac协议,里面有协议实现的详细代码,里面有协议的所有性能测试,只需要新建一个项目然后import一下重新编译即可运行。仿真网络为网格网络
- 2022-01-21 17:43:11下载
- 积分:1
-
GMM前景提取应用
基于OpenCV从采用混合高斯模型GMM算法应用在视频监控等场景下进行前景提取,通过大量的训练样本对背景的混合高斯模型进行训练,能够实时精确地提取出视频中的前景行人。
- 2022-09-09 06:25:06下载
- 积分:1
-
一个快速算法的例子,有和一般算法的比较
一个快速算法的例子,有和一般算法的比较--A example about fast algorithm , it has been comparied with common algorithms
- 2022-03-18 07:42:54下载
- 积分:1
-
一个高效的自回避行走路径枚举程序。运用了多线程分配分支任务,可以port到多核cpu上加速运算。...
一个高效的自回避行走路径枚举程序。运用了多线程分配分支任务,可以port到多核cpu上加速运算。-An efficient path of self-avoiding walk enumeration procedures. Use of multi-threaded allocation branch mission, you can port to multi-core cpu on accelerated computing.
- 2023-06-28 09:00:04下载
- 积分:1
-
一个计算器程序,可以识别算式字符串形式的
一个计算器程序,可以识别算式字符串形式的-a calculator program that can be identified form of a string formula
- 2022-02-24 18:08:11下载
- 积分:1
-
利用MATLAB绘制置信区域
应用背景统计中经常会遇到求置信区间、置信区域(如置信椭圆、置信椭球)等,有时候需要把置信区域画出来,这样看起看更为直观,下面结合具体案例介绍调用自编函数ConfidenceRegion绘制置信区域。
关键技术【例1】绘制置信区间。产生一元正态分布随机数向量,绘制样本数据的95%置信区间。【例2】绘制置信椭圆。产生二元正态分布随机数矩阵,绘制样本数据的95%置信椭圆区域。【例3】绘制置信椭球。产生三元正态分布随机数矩阵,绘制样本数据的95%置信椭球区域。
- 2023-02-23 09:45:04下载
- 积分:1
-
c/c++编写的一个日历程序
是c/c++编写的一个算法程序,在VC6.0里执行该程序之后,会显示年月日,并且该年月日是当天的时间,对于c/c++的编写有一定的参考性,可以以此为基础进行其他程序的移植。
- 2022-09-14 16:15:03下载
- 积分:1
-
第九届飞思卡尔摄像头组参赛
应用背景该程序是第九届飞思卡尔摄像头组的参赛程序,是用的芯片是KL26,底层库是野火的底层库。本程序下载到芯片里,可以稳定完整的跑完一圈,过坡道无压力,在实验室跑的非常稳定,新手拿过去,可以很快让小车跑起来。关键技术还有手机软件蓝牙调参数的程序,调参软件的程序也很简洁,非常好理解。包括移植到底层的函数也做了详细的注释,方便调小车的参数,提高了调车的效率。而且KL26和K60差不多,可以很方便地移植到K60的上面,程序可读性也很强,加了较多注释,很好理解。使用的是卡尔曼滤波。
- 2022-04-12 20:30:54下载
- 积分:1
-
24点 C代码
二十四点计算程序 ver 1.0
// 作者:刘洋
// 邮件: lynn_mail@yeah.net
// 主页:http://digitinn.yeah.net
// 日期:2002-8-29
- 2022-01-22 11:01:51下载
- 积分:1
-
该程序是用C语言写的采用了动量方法的BP神经网络,它具有极其强大的扩展性,可用于函数的逼近及分类识别等各方面,语言书写规范,其中大量使用了动态分配一、二维数组的...
该程序是用C语言写的采用了动量方法的BP神经网络,它具有极其强大的扩展性,可用于函数的逼近及分类识别等各方面,语言书写规范,其中大量使用了动态分配一、二维数组的方法,该网络实例中实现的是对某一函数的逼近,输入层为二层,中间层可自己设定多达十几层,逼近精度非常精确。读者可根据自己的需要设定各层的数目以及相应的训练样本进行训练与测试。-The program is written in C language using the momentum method of BP neural network, which has extremely powerful scalability, can be used for function approximation and classification in areas such as language specification, including large-scale use of a dynamically allocated one, two dimensional array of methods, examples of the network realize that the approximation of a function, for the second input layer, middle layer can be set as many as a dozen layers, close to very precise accuracy. Readers may need to be set in accordance with its own number of floors and the corresponding training samples for training and testing.
- 2022-09-23 15:35:02下载
- 积分:1