L3_1.m: 純量量化器的設計(程式) L3_2.m: 量化造成的假輪廓(程式) L3_3.m: 向量量化器之碼簿的產生(程式) L3_4.m: 利用LBG訓練三個不同大小與維度的碼簿並分別進行VQ(程式) gau.m: ML量化器設計中分母的計算式(函式) gau1.m: ML量化器設計中分子的計算式(函式) LBG.m: LBG訓練法(函式) quantize.m:高斯機率密度函數的非均勻量化(函式) VQ.m: 向量量化(函式) L3_2.bmp: 影像檔 lena.mat: Matlab的矩陣變數檔
上傳時間： 2013-12-26
上傳用戶：jiahao131
dsp hư ớ ng dẫ n giao tiế p LCD code viế t bằ ng C
上傳時間： 2017-06-17
上傳用戶：xuanjie
dsp từ cơ bả n đ ế n nâ ng cao 1
上傳時間： 2014-12-05
上傳用戶：watch100
LinQ SQL TẤ N CÔ NG KIỂ U SQL INJECTION - TÁ C HẠ I VÀ PHÒ NG TRÁ NH
上傳時間： 2013-12-15
上傳用戶：eclipse
攝氏度轉換成華氏度,并且用一個布爾型開關控制不同的量綱
上傳時間： 2013-12-17
上傳用戶：1966640071
國標類相關專輯 313冊 701MGB-T 2471-1995 電阻器和電容器優先數系.pdf
標簽：
上傳時間： 2014-05-05
上傳用戶：時代將軍
神經網絡在智能機器人導航系統中的應用研究1神經網絡在環境感知中的應 用 對環境 的感 知 ，環境模型 妁表示 是非常重要 的。未 知 環境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊格法表示范圍較大的工作環境，在滿足 精度要求 的情況下，必定要占用大量的內存，并且采用柵 格法進行路徑規劃，其計算量是相當大的。Kohon~n自組織 神經瞬絡為機器人對未知環境的蒜知提供了一條途徑。 Kohone~沖經網絡是一十自組織神經網絡，其學習的結 果能體現出輸入樣本的分布情況，從而對輸入樣本實現數 據壓縮 。基于 網絡 的這些特 性，可采 用K0h0n曲 神經元 的 權向量來表示 自由空間，其方法是在 自由空間中隨機地選 取坐標點xltl【可由傳感器獲得】作為網絡輸入，神經嘲絡通 過對大量的輸八樣本的學習，其神經元就會體現出一定的 分布形 式 學習過程如下：開 始時網絡的權值隨機地賦值 ， 其后接下式進行學 習： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經元 1在t時刻對 應的權值 ；a(∽ 謂整系 數 ； (『l網絡的輸八矢量；Ⅳ()：學習的 I域。每個神經元能最 大限度 地表示一 定 的自由空間 。神經 元權 向量的最 小生成 樹可以表示出自由空問的基本框架。網絡學習的鄰域 (，) 可 以動 態地 定義 成矩形 、多邊 形 。神經 元數量 的選取取 決 于環境 的復雜度 ，如果神 經元 的數量 太少 ．它們就 不能 覆 蓋整十空間，結果會導致節點穿過障礙物區域 如果節點 妁數量太大 ．節點就會表示更多的區域，也就得不到距障 礙物的最大距離。在這種情況下，節點是對整個 自由空間 的學 習，而不是 學習最 小框架空 間 。節 點的數 量可 以動態 地定義，在每個學習階段的結柬．機器人會檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節點 來 覆蓋整 十 自由窯 間，需要增加 網絡節點來 重新學 習 所 138一 以為了收斂于最小框架表示 ，應該采用較少的網絡 節點升 始學習，逐步增加其數量。這種方法比較適臺對擁擠的'E{= 境的學習，自由空間教小，就可用線段表示；若自由空問 較大，就需要由二維結構表示 。 采用Kohonen~沖經阿絡表示環境是一個新的方法。由 于網絡的并行結構，可在較短的時間內進行大量的計算。并 且不需要了解障礙物的過細信息．如形狀、位置等 通過 學習可用樹結構表示自由空問的基本框架，起、終點問路 徑 可利用樹的遍 歷技術報容易地被找到 在機器人對環境的感知的過程中，可采用人】：神經嘲 絡技術對 多傳 感器的信息進 行融臺 。由于單個傳感器僅能 提 供部分不 完全 的環境信息 ，因此只有秉 甩 多種傳感器 才 能提高機器凡的感知能力。 2 神經 網絡在局部路徑規射中的應 用 局部路徑 規刪足稱動吝避碰 規劃 ，足以全局規荊為指 導 利用在線得到的局部環境信息，在盡可能短的時問內
上傳時間： 2022-02-12
上傳用戶：qingfengchizhu
國標EMC電磁兼容規范及標準定義。GB∕T 17626.2-2018 電磁兼容；試驗和測量技術 靜電放電抗擾度試驗
標簽： 電磁兼容
上傳時間： 2022-05-06
上傳用戶：
H．264/AVC規范是由國際電聯(ITU-T)和國際標準化組織(ISO)聯合制定的新一代視頻編解碼標準。它具有如下四個特點：低碼流，和MPEG2等壓縮技術相比，在同等圖像質量下，采用H.264技術壓縮后的數據量只有MPEG2的1/8；高圖象質量，復雜的算法保證了低碼流條件下圖像仍能保留豐富的細節；容錯能力強，提供了解決在不穩定網絡環境下容易發生的丟包等錯誤的必要工具；網絡適應性強，提供了網絡適應層，數據能在不同網絡上傳輸。但由此帶來的代價是復雜度極高的編碼過程，尤其是在嵌入式系統中實現具有很大的挑戰性。 本文主要介紹了基于H.264標準的開源代碼T264向DM642平臺的移植和優化。優化綜合運用了上層和底層的實現方法實現。上層的方法例如使用CCS提供的條件優化代碼優化功能，使用IMGLIB中高度優化的函數等，其特點是簡便易行，效果良好；底層的實現方法例如使用DM642特有的內聯函數，用線性匯編的方式實現算法等，特點是提高了代碼運行的并行性，但需要對DM642和H.264有很深刻的理解。 目前本設計已成功完成H.264.算法在DM642開發板上的運行，壓縮QCIF格式視頻的速度隨圖像復雜度的不同達到了35-50幀每秒。此后本設計還繼續使用優化后的編碼器實現了監控用視頻服務器的原型，使得攝像頭采集的視頻數據在DM642開發板上壓縮后傳輸至PC機，且能夠在PC端用配套的程序成功解碼并播放。
上傳時間： 2013-06-23
上傳用戶：qqiang2006
隨著21世紀的到來,計算機技術,信息處理技術,半導體技術和網絡技術不斷發展,人類社會進入了信息化時代。與此同時,無線視頻傳感器網絡也得到了突飛猛進的發展,成為當今國際上備受關注的熱點研究領域。無線視頻傳感器網絡有著很多的優點和十分廣泛的應用前景。在軍事,工業,城市管理和監控系統等重要領域都有潛在的使用價值。 無線視頻傳感器網絡有著顯著的特征,例如：網絡節點能源有限；網絡帶寬有限；對處理速度要求較高等。由此可見,傳統的視頻編碼標準無法應用于無線視頻傳感器網絡。MPEG-4,H.263,H.264等視頻編碼標準,全是基于運動估計補償實現的,計算量十分巨大,在能量,存儲空間和處理能力均有限的節點難以實現這類高復雜度的編碼算法。 本文針對無線視頻傳感器網絡對視頻編碼算法的具體需求,提出一種基于運動檢測的低復雜度視頻編碼算法。該算法只對當前編碼幀中的運動對象進行編碼,并且以面向對象的結構輸出碼流。實驗結果表明,與H.264全I幀編碼相比,本文提出的算法編碼速度提高了約3倍,編碼性能提高了約2dB。與H.264基本檔次相比,雖然編碼性能略有下降,但是編碼速度平均提高了8倍左右。因此,本文提出的算法可以在編碼效率和編碼速度之間獲得很好的折衷,在一定程度上可以滿足無線視頻傳感器網絡的需求。 本文選用ALDVK_270作為硬件實驗平臺。在分析算法結構的同時,結合嵌入式系統的特點,從算法,內存,高級語言和匯編語言等幾個方面提出優化方案,最終在ARM嵌入式平臺下實現了面向無線視頻傳感器網絡的低復雜度視頻編碼算法。測試結果表明,與優化前相比,優化后的編碼速度有了很大的提高,對于CIF格式的監控視頻序列能夠滿足實時處理的要求。
上傳時間： 2013-07-26
上傳用戶：小小小熊
