適用于51單片機(jī)的串口發(fā)n
標(biāo)簽： 51單片機(jī) 串口 字節(jié)
上傳時(shí)間： 2014-12-25
上傳用戶：qingzhuhu
89c51一種用N+1條線實(shí)現(xiàn)矩陣鍵盤
標(biāo)簽： 矩陣鍵盤
上傳時(shí)間： 2014-12-26
上傳用戶：lhw888
提出了一個(gè)自適應(yīng)量子粒子群優(yōu)化算法，用于訓(xùn)練RBF網(wǎng)絡(luò)的基函數(shù)中心和寬度，并結(jié)合最小二乘法計(jì)算網(wǎng)絡(luò)權(quán)值，對(duì)RBF網(wǎng)絡(luò)的泛化能力進(jìn)行改進(jìn)并用于特征選擇。實(shí)驗(yàn)結(jié)果表明，采用自適應(yīng)量子粒子群優(yōu)化算法獲得的RBF網(wǎng)絡(luò)模型不但具有很強(qiáng)的泛化能力，而且具有良好的穩(wěn)定性，能夠選擇出較優(yōu)秀的特征子集。
標(biāo)簽： RBF 神經(jīng)網(wǎng)絡(luò) 特征選擇 中的應(yīng)用
上傳時(shí)間： 2013-11-16
上傳用戶：erkuizhang
針對(duì)傳感器網(wǎng)絡(luò)下多目標(biāo)跟蹤時(shí)目標(biāo)數(shù)量不斷變化這一復(fù)雜情況，文中對(duì)多目標(biāo)的跟蹤和特征管理方法進(jìn)行了研究。該方法由數(shù)據(jù)關(guān)聯(lián)、多目標(biāo)跟蹤、特征管理，和信息融合所組成。其中未知數(shù)量多目標(biāo)的跟蹤和數(shù)據(jù)關(guān)聯(lián)通過馬爾科夫蒙特卡羅數(shù)據(jù)關(guān)聯(lián)實(shí)現(xiàn)。通過信息融合來整合本地信息，獲取所有相鄰傳感器的本地一致性，最終實(shí)現(xiàn)特征管理。試驗(yàn)證明，本方法能夠在分布式的傳感器網(wǎng)絡(luò)環(huán)境下對(duì)多目標(biāo)進(jìn)行準(zhǔn)確有效地跟蹤和特征管理。
標(biāo)簽： 傳感器網(wǎng)絡(luò) 多目標(biāo)跟蹤 特征 管理方法
上傳時(shí)間： 2013-11-18
上傳用戶：wangdean1101
機(jī)場道面異物是威脅跑道運(yùn)行安全的常見病害，及時(shí)、準(zhǔn)確的檢測(cè)異物具有現(xiàn)實(shí)意義。針對(duì)現(xiàn)有的人工目視檢測(cè)方法，本文基于圖像處理理論，提出了一種機(jī)場道面異物的自動(dòng)檢測(cè)算法。根據(jù)機(jī)場道面的復(fù)雜背景和常見異物的特點(diǎn)，本文采取了分塊的方法，選擇Harris角點(diǎn)、灰度共生矩陣、灰度級(jí)分布范圍等特征，分別用閾值法和SVM法對(duì)實(shí)際機(jī)場道面異物圖像進(jìn)行檢測(cè)。初步實(shí)驗(yàn)證明，該方法可以有效檢測(cè)出機(jī)場道面復(fù)雜背景下的異物，實(shí)驗(yàn)結(jié)果顯示，檢測(cè)正確率達(dá)到了98%。
標(biāo)簽： 復(fù)雜背景 特征分析 檢測(cè)
上傳時(shí)間： 2013-11-26
上傳用戶：2404
當(dāng)許多編程人員從事這項(xiàng)工作但又不使用源代碼管理工具時(shí)，源代碼管理幾乎不可能進(jìn)行。Visual SourceSafe是Visual Basic的企業(yè)版配備的一個(gè)工具，不過這個(gè)工具目的是為了保留一個(gè)內(nèi)部應(yīng)用版本，不向公眾發(fā)布（應(yīng)當(dāng)說明的是，M i c r o s o f t并沒有開發(fā)Visual SourceSafe，它是M i c r o s o f t公司買來的） 。雖然Visual SourceSafe有幫助文本可供參考，但該程序的一般運(yùn)行情況和在生產(chǎn)環(huán)境中安裝 Visual SourceSafe的進(jìn)程都沒有詳細(xì)的文字說明。另外，Visual SourceSafe像大多數(shù)M i c r o s o f t應(yīng)用程序那樣經(jīng)過了很好的修飾，它包含的許多功能特征和物理特征都不符合 Microsoft Wi n d o w s應(yīng)用程序的標(biāo)準(zhǔn)。例如，Visual SourceSafe的三個(gè)組件之一（Visual SourceSafe Administrator）甚至連F i l e菜單都沒有。另外，許多程序的菜單項(xiàng)不是放在最合適的菜單上。在程序開發(fā)環(huán)境中實(shí)現(xiàn)Visual SourceSafe時(shí)存在的復(fù)雜性，加上它的非標(biāo)準(zhǔn)化外觀和文檔資料的不充分，使得許多人無法實(shí)現(xiàn)和使用 Visual SourceSafe。許多人甚至沒有試用 Vi s u a l S o u r c e S a f e的勇氣。我知道許多高水平技術(shù)人員無法啟動(dòng)Visual SourceSafe并使之運(yùn)行，其中有一位是管理控制系統(tǒng)項(xiàng)目師。盡管如此，Visual SourceSafe仍然不失為一個(gè)很好的工具，如果你花點(diǎn)時(shí)間將它安裝在你的小組工作環(huán)境中，你一定會(huì)為此而感到非常高興。在本章中我并不是為你提供一些指導(dǎo)原則來幫助你創(chuàng)建更好的代碼，我的目的是告訴你如何使用工具來大幅度減少管理大型項(xiàng)目和開發(fā)小組所需的資源量，這個(gè)工具能夠很容易處理在沒有某種集成式解決方案情況下幾乎無法處理的各種問題。
上傳時(shí)間： 2013-10-24
上傳用戶：lgd57115700
針對(duì)人臉識(shí)別中的特征提取問題，提出一種新的基于Gabor的特征提取算法，利用Gabor小波變換良好的提取區(qū)分能力和LDA所具有的判別性優(yōu)勢(shì)來進(jìn)行特征提取。首先利用Gabor小波變換來提取人臉特征。然后對(duì)得到的高維特征采用PCA進(jìn)行初次降維，再利用LDA實(shí)現(xiàn)再次降維，得到最終的特征向量。在ORL和YALE人臉庫上的實(shí)驗(yàn)驗(yàn)證了該算法的有效性。
標(biāo)簽： Gabor 特征提取 人臉識(shí)別 中的應(yīng)用
上傳時(shí)間： 2013-12-14
上傳用戶：alex wang
頭肩的定位檢測(cè)采用了Haar特征和HOG特征的層級(jí)分類方法，并根據(jù)頭肩的對(duì)稱性特點(diǎn)，提出了一種稱為Joint HOG的組合型特征。通過Haar分類器濾除大部分負(fù)樣本后，接著用HOG進(jìn)行精細(xì)的驗(yàn)證從而得到頭肩目標(biāo)框。實(shí)驗(yàn)表明，本文的方法取得了80%~90%的準(zhǔn)確率，并且完全可以用于實(shí)時(shí)處理。
標(biāo)簽： Joint HOG 特征 復(fù)雜場景
上傳時(shí)間： 2013-11-13
上傳用戶：weareno2
在深入的對(duì)頻譜臉法和Fisherface方法進(jìn)行研究后，綜合這兩種方法的優(yōu)點(diǎn)，提出了一種基于頻譜臉和Fisherface的人臉識(shí)別新方法。頻譜臉方法主要是采用二維小波變換和傅立葉變換。因?yàn)槿四槇D像的低頻部分對(duì)人臉的表情變化是不敏感的，所以對(duì)人臉圖像使用二維小波變換，提取人臉圖像的低頻部分。對(duì)人臉圖像的低頻部分使用傅立葉變換，從而獲得原人像的一個(gè)低維空間的表達(dá)。但是頻譜臉特征維數(shù)仍然較高，所以在頻譜臉法的基礎(chǔ)上繼續(xù)提取人臉頻譜圖像的Fisherface 特征，降低特征的維數(shù)，提高識(shí)別效率。利用人臉面部構(gòu)造產(chǎn)生的灰度特性提取眼睛，利用嘴唇的色度特征分割出嘴巴，進(jìn)而根據(jù)眼睛和嘴巴構(gòu)成三角形模板的特性，精確定位人臉在圖像中的位置。實(shí)驗(yàn)結(jié)果表明，這種結(jié)合膚色和面部特征的算法，能夠?qū)θ四樳M(jìn)行較快速、準(zhǔn)確的定位，而且結(jié)果比較穩(wěn)定可靠。
上傳時(shí)間： 2013-10-09
上傳用戶：zhf01y
求N皇后問題回溯算法
標(biāo)簽： 回溯算法
上傳時(shí)間： 2014-07-13
上傳用戶：yph853211
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
