這個程序用180行C代碼就能夠讀取FAT16文件系統(tǒng)U盤的根目錄,可以看到根目錄下的文件 名,并可顯示 首文件內容,不過,該程序很不嚴謹,也沒有任何錯誤處理,對U盤兼容性較差,只是用于簡單試 驗,作為參考. 這個程序可以支持WINDOWS按FAT16格式化的U盤,因為程序精簡,所以只兼容超過50%以上的U 盤品牌,如果換 成CH375A芯片則兼容性可提高到85%,當然,如果使用WCH公司的子程序庫或者正式版本的C源 程序兼容性更好
上傳時間： 2015-03-12
上傳用戶：gaome
H.323 2000年規(guī)范的文檔，是H.323 V4的標準，這是目前最通用的版本，是學習開發(fā)H.323的必備材料。
上傳時間： 2013-12-24
上傳用戶：wangyi39
這個程序用180行C代碼就能夠讀取FAT16文件系統(tǒng)U盤的根目錄,可以看到根目錄下的文件名,并可顯示首文件內容,不過,該程序很不嚴謹,也沒有任何錯誤處理,對U盤兼容性較差,只是用于簡單試驗,作為參考.這個程序可以支持WINDOWS按FAT16格式化的U盤,因為程序精簡,所以只兼容超過50%以上的U盤品牌,如果換成CH375A芯片則兼容性可提高到85%,當然,如果使用WCH公司的子程序庫或者正式版本的C源程序兼容性更好
上傳時間： 2014-01-20
上傳用戶：515414293
主要闡述的是使用差分法解一類Bessel方程在不同邊界條件下的離散解
上傳時間： 2014-12-21
上傳用戶：253189838
使用差分法解一類Bessel方程在不同邊界條件下的離散解
上傳時間： 2014-01-02
上傳用戶：lingzhichao
用差分法解一類Bessel方程在不同邊界條件下的離散解
上傳時間： 2014-01-23
上傳用戶：hustfanenze
This directory contains 3 file system modules: - file system ISO9660 iso9660.c iso9660.h - file system FAT12/16 fat.c fat.h - file system FAT32 fat32.c fat32.h file.c and file.h contains all high levels functions/macro/definition for your application. fs_variable.c contains all definitions of variables that can be shared with the all file systems. config.h must contain the definition of the file system used by your application.
標簽： 9660 file system directory
上傳時間： 2015-03-15
上傳用戶：腳趾頭
異步串口通信 VC++ 本文參考MSDN及相關網上文章。 ////////////////////////////////////////////// //MyComm.h 多機控制 異步串口通信 //說不定能有用上的。
上傳時間： 2013-12-10
上傳用戶：gundan
方差分析（analysis of variance，或縮寫ANOVA）又稱變異數分析，是一種應用非常廣泛的統(tǒng)計方法。其主要功能是檢驗兩個或多個樣本平均數的差異是否有統(tǒng)計學意義，用以推斷它們的總體均值是否相同。
上傳時間： 2013-12-24
上傳用戶：wab1981
Hopfield 網——擅長于聯想記憶與解迷路 實現H網聯想記憶的關鍵，是使被記憶的模式樣本對應網絡能量函數的極小值。 設有M個N維記憶模式，通過對網絡N個神經元之間連接權 wij 和N個輸出閾值θj的設計，使得: 這M個記憶模式所對應的網絡狀態(tài)正好是網絡能量函數的M個極小值。 比較困難，目前還沒有一個適應任意形式的記憶模式的有效、通用的設計方法。 H網的算法 1）學習模式——決定權重 想要記憶的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 則任意兩個神經元j、i間的權重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數 ap(s)：第p個模式的第s個要素（-1或1） wij：第j個神經元與第i個神經元間的權重 i = j時，wij=0，即各神經元的輸出不直接返回自身。 2)想起模式： 神經元輸出值的初始化 想起時，一般是未知的輸入。設xi(0)為未知模式的第i個要素（-1或1） 將xi(0)作為相對應的神經元的初始值，其中，0意味t=0。 反復部分：對各神經元，計算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經元總數 f（）--Sgn（） θi—神經元i發(fā)火閾值 反復進行，直到各個神經元的輸出不再變化。
上傳時間： 2015-03-16
上傳用戶：JasonC
