~{4rLlOB~}php+mysql~{UPF8GsV0T44zBk~} ~{Q]J>5XV7~} http://job.datianxia.com
標簽： datianxia rLlOB mysql http
上傳時間： 2015-03-03
上傳用戶：gxmm
H.263 文檔 DRAFT ITU-T Recommendation H.263 VIDEO CODING FOR LOW BITRATE COMMUNICATION
標簽： Recommendation COMMUNICATION 263 BITRATE
上傳時間： 2013-12-14
上傳用戶：cursor
樸素貝葉斯分類器（Navie Bayesian Classifier）識別鼠標輸入的字母A～J
標簽： Classifier Bayesian Navie 貝葉斯
上傳時間： 2015-03-08
上傳用戶：chfanjiang
這個軟件可以對輸入的象素矩陣進行識別。是根據《Neural Network Design》（Martin T. Hagan等）中的關于有監督的Heb學習編寫的。使用JBuilder開發的界面，使用JCreator開發的核心。
標簽： T. JBuilder Network Neural
上傳時間： 2013-12-19
上傳用戶：zhangyi99104144
人事考勤管理系統源代碼
標簽： 系統
上傳時間： 2015-03-10
上傳用戶：aix008
j讀寫模塊的源程序范例,能實現非接觸IC卡的所有功能.
上傳時間： 2014-01-06
上傳用戶：lvzhr
最新的支持向量機工具箱，有了它會很方便 1. Find time to write a proper list of things to do! 2. Documentation. 3. Support Vector Regression. 4. Automated model selection. REFERENCES ========== [1] V.N. Vapnik, "The Nature of Statistical Learning Theory", Springer-Verlag, New York, ISBN 0-387-94559-8, 1995. [2] J. C. Platt, "Fast training of support vector machines using sequential minimal optimization", in Advances in Kernel Methods - Support Vector Learning, (Eds) B. Scholkopf, C. Burges, and A. J. Smola, MIT Press, Cambridge, Massachusetts, chapter 12, pp 185-208, 1999. [3] T. Joachims, "Estimating the Generalization Performance of a SVM Efficiently", LS-8 Report 25, Universitat Dortmund, Fachbereich Informatik, 1999.
上傳時間： 2013-12-16
上傳用戶：亞亞娟娟123
仿真1：首先把網絡溫度參數T固定在100，按工作規則共進行1000次狀態更新,把這1000次狀態轉移中網絡中的各個狀態出現的次數Si（i＝1，2，…，16）記錄下來 按下式計算各個狀態出現的實際頻率： Pi=Si/∑i=1,NSi=Si/M 同時按照Bo1tzmann分布計算網絡各個狀態出現概率的理論值： Q（Ei）=（1/Z）exp（-Ei/T） 仿真2：實施降溫方案，重新計算 采用快速降溫方案：T（t）= T0/（1+t） T從1000降到0.01，按工作規則更新網絡狀態 當T=0.01時結束降溫，再讓T保持在0.01進行1000次狀態轉移，比較兩種概率
上傳時間： 2014-01-20
上傳用戶：獨孤求源
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
Matt Pietrek 著的《Windows 95 System Programming SECRETS》(中文譯名:《Windows 95 系統程式設計大奧秘》)中的第8章，專門介紹WINDOWS的PE文件格式，非常有價值，這個是由這章單獨整理出來的。
標簽： Windows Programming Pietrek SECRETS
上傳時間： 2015-03-17
上傳用戶：日光微瀾
