pki公鑰基礎設施，可以確保網絡傳輸過程中數據的保密性完整性以及起到數字簽名的效果
標簽： pki
上傳時間： 2017-07-23
上傳用戶：gengxiaochao
此文件夾中共包括十二個小程序 AVL創建平衡二叉樹,通過加入一個個的結點創建,并實現了平衡二叉樹中的結點刪除 Boyer_Moore算法的串模式匹配 Horspool算法的串模式匹配 Graph實現了有向圖的非遞歸廣度優先遍歷及非遞歸深度優先遍歷 HeapSort利用堆排序實現優先級隊列 Merge實現二路歸并排序算法 MFK動態規劃解背包問題 nqueue求解n皇后問題 QuickSort快速排序算法的實現。 Shell排序算法的實現。 Tree程序中實現了先序\中序\后序遍歷二叉樹的非遞歸算法。 tubao用遞歸法解決突包問題
標簽： Boyer_Moore Horspool Grap AVL
上傳時間： 2017-08-08
上傳用戶：佳期如夢
《深度探索C++對象模型》專注于C++面向對象程序設計的底層機制，包括結構式語意、臨時性對象的生成、封裝、繼承，以及虛擬——虛擬函數和虛擬繼承。這本《深度探索C++對象模型》讓你知道：一旦你能夠了解底層實現模型，你的程序代碼將獲得多么大的效率。Lippman澄清了那些關于C++額外負荷與復雜度的各種錯誤信息和迷思，但也指出其中某些成本和利益交換確實存在。他闡述了各式各樣的實現模型，指出它們的進化之道及其本質因素。書中涵蓋了C++對象模型的語意暗示，并指出這個模型是如何影響你的程序的。
上傳時間： 2015-06-14
上傳用戶：Syzu
通過已知先序遍歷，遞歸構建二叉樹，遞歸輸出二叉樹的中序遍歷和后續遍歷，并使用遞歸求出葉子節點個數和二叉樹深度。
標簽： 二叉樹 先序 遍歷 中序
上傳時間： 2016-03-18
上傳用戶：hf_fxy
設計高速電路必須考慮高速訊 號所引發的電磁干擾、阻抗匹配及串音等效應，所以訊號完整性 (signal integrity)將是考量設計電路優劣的一項重要指標，電路日異複雜必須仰賴可 靠的軟體來幫忙分析這些複雜的效應，才比較可能獲得高品質且可靠的設計， 因此熟悉軟體的使用也將是重要的研究項目之一。另外了解高速訊號所引發之 各種效應(反射、振鈴、干擾、地彈及串音等)及其克服方法也是研究高速電路 設計的重點之一。目前高速示波器的功能越來越多，使用上很複雜，必須事先 進修學習，否則無法全盤了解儀器之功能，因而無法有效發揮儀器的量測功能。 其次就是高速訊號量測與介面的一些測試規範也必須熟悉，像眼圖分析，探針 效應，抖動(jitter)測量規範及高速串列介面量測規範等實務技術，必須充分 了解研究學習，進而才可設計出優良之教學教材及教具。
標簽： 高速電路
上傳時間： 2021-11-02
上傳用戶：jiabin
DB9 90度彎針焊板座 DB9針型孔型DB9公座母座 DB9M DB9F ALTIUM設計原理圖庫+PCB封裝庫,AD設計的原理圖PCB封裝庫文件，已在項目中驗證使用,可以直接應用到你的項目設計中，也可以做為你的設計參考。
上傳時間： 2021-11-06
上傳用戶：
這是我在做大學教授期間推薦給我學生的一本書，非常好，適合入門學習?！秔ython深度學習》由Keras之父、現任Google人工智能研究員的弗朗索瓦?肖萊（Franc?ois Chollet）執筆，詳盡介紹了用Python和Keras進行深度學習的探索實踐，包括計算機視覺、自然語言處理、產生式模型等應用。書中包含30多個代碼示例，步驟講解詳細透徹。作者在github公布了代碼，代碼幾乎囊括了本書所有知識點。在學習完本書后，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。但是有一個小小的遺憾：代碼的解釋和注釋是全英文的，即使英文水平較好的朋友看起來也很吃力。本人認為，這本書和代碼是初學者入門深度學習及Keras最好的工具。作者在github公布了代碼，本人參照書本，對全部代碼做了中文解釋和注釋，并下載了代碼所需要的一些數據集（尤其是“貓狗大戰”數據集），并對其中一些圖像進行了本地化，代碼全部測試通過。（請按照文件順序運行，代碼前后有部分關聯）。以下代碼包含了全書約80%左右的知識點，代碼目錄：2.1: A first look at a neural network（ 初識神經網絡）3.5: Classifying movie reviews（電影評論分類：二分類問題）3.6: Classifying newswires（新聞分類：多分類問題 ）3.7: Predicting house prices（預測房價：回歸問題）4.4: Underfitting and overfitting（ 過擬合與欠擬合）5.1: Introduction to convnets（卷積神經網絡簡介）5.2: Using convnets with small datasets（在小型數據集上從頭開始訓練一個卷積網絡）5.3: Using a pre-trained convnet（使用預訓練的卷積神經網絡）5.4: Visualizing what convnets learn（卷積神經網絡的可視化）
上傳時間： 2022-01-30
上傳用戶：
近些年來，云計算與移動云計算迅速發展，隨之而來出現的問題是由于智能終端的數量和處理器計算能力能力的增加，越來越多的計算密集型應用應用被卸載到云端，這樣就給核心網絡造成很大的負載，從而不能滿足那些對延遲敏感的應用，所以移動邊緣計算就因此產生。它通過將計算、存儲等資源部署在網絡的邊緣，能快速地處理任務并傳輸。但是由于用戶終端的移動性，需要考慮的一個很重要的問題就是當服務厥量受到位置影響時應當采取什么措施。合理的計算切換能夠很好地解決這個問題。在移動邊緣計算中，什么時候進行計算切換以及切換到哪里是切換問題的關鍵。本文研究了計算切換的具體過程、影響計算切換的因素及管理體系，提出了計算切換的管理框架。在考慮任務完成時間、移動終端能耗和任務完成成本這些因素影響的基礎上并根據切換管理的框架和具體的判決準則，提出了簡單加權法、熵值法和基于理想解排序的這三種多屬性決策計算切換筧法。最后在實驗部分對這三種多屬性決策計算切換算法進行仿真實驗，在根據實驗結果對三種算法的性能進行分析，然后再研究計算量與數據量變化對算法性能的影響。實驗結果表明：采用多屬性切換決策的方法要優于不切換和總是發生切換的決策，并且在多屬性決策的方法中，班想解排序的方法要優于簡單加權法和值法，并且任務的完成時間、移動終端能耗、和任務的執行成本隨著終端移動速度的增大而有明顯減少，說明基于閾值的判決準則和多屬性切換決策算法適用于移動邊緣計算中的計算切換。關鍵詞：移動邊緣計算：計算切換：判決準則；多屬性決策
標簽： 移動邊緣計算
上傳時間： 2022-03-11
上傳用戶：ttalli
主要內容介紹 Allegro 如何載入 Netlist，進而認識新式轉法和舊式轉法有何不同及優缺點的分析，透過本章學習可以對 Allegro 和 Capture 之間的互動關係，同時也能體驗出 Allegro 和 Capture 同步變更屬性等強大功能。Netlist 是連接線路圖和 Allegro Layout 圖檔的橋樑。在這裏所介紹的 Netlist 資料的轉入動作只是針對由 Capture（線路圖部分）產生的 Netlist 轉入 Allegro（Layout部分）1． 在 OrCAD Capture 中設計好線路圖。2． 然後由 OrCAD Capture 產生 Netlist（annotate 是在進行線路圖根據第五步產生的資料進行編改）。 3． 把產生的 Netlist 轉入 Allegro（layout 工作系統）。 4． 在 Allegro 中進行 PCB 的 layout。 5． 把在 Allegro 中產生的 back annotate（Logic）轉出（在實際 layout 時可能對原有的 Netlist 有改動過），並轉入 OrCAD Capture 裏進行回編。
上傳時間： 2022-04-28
上傳用戶：kingwide
MATLAB深度學習簡介深度學習是機器學習的一個類型，該類型的模型直接從圖像、文本或聲音中學 習執行分類任務。通常使用神經網絡架構實現深度學習?！吧疃取币辉~是指網絡 中的層數 — 層數越多，網絡越深。傳統的神經網絡只包含 2 層或 3 層， 而深度網絡可能有幾百層。下面只是深度學習發揮作用的幾個例子:? 無人駕駛汽車在接近人行橫道線時減速。? ATM 拒收假鈔。? 智能手機應用程序即時翻譯國外路標。深度學習特別適合鑒別應用場景，比如人臉辨識、 文本翻譯、語音識別以及高級駕駛輔助系統(包括 車道分類和交通標志識別)。簡言之，精確。先進的工具和技術極大改進了深度學習算法，達到了 很高的水平，在圖像分類上能夠超越人類，能打敗世界最優秀的圍棋 選手，還能實現語音控制助理功能，如 Amazon Echo? 和 Google Home，可用來查找和下載您喜歡的新歌。如果您剛接觸深度學習，快速而輕松的入門方法是使用現有網絡， 比如 AlexNet，用一百多萬張圖像訓練好的 CNN。AlexNet 最常用于 圖像分類。它可將圖像劃分為 1000 個不同的類別，包括鍵盤、鼠標、 鉛筆和其他辦公設備，以及各個品種的狗、貓、馬和其他動物。
標簽： Matlab
上傳時間： 2022-06-10
上傳用戶：
