用VxWorks的信號(hào)量機(jī)制實(shí)現(xiàn)任務(wù)同步.pdf ：為了保證諸任務(wù)對(duì)臨界critical資源l eso~ 的互斥訪問(wèn)，VxWorks提供了任務(wù)同步機(jī)制。二進(jìn)制信號(hào)量是VxWorks系統(tǒng)中實(shí)現(xiàn)任務(wù)同步的一種重要手段，它保證了任務(wù)在并發(fā)時(shí)結(jié)果的一致性。
標(biāo)簽： critical VxWorks eso
上傳時(shí)間： 2016-07-25
上傳用戶(hù)：大三三
系系統(tǒng)可以試想問(wèn)奶奶個(gè)的是激昂創(chuàng)凌晨一點(diǎn)也很少
標(biāo)簽：
上傳時(shí)間： 2013-12-14
上傳用戶(hù)：huql11633
您的可用下載數(shù)就會(huì)增加1次。更多說(shuō)明請(qǐng)參看量越高得到的下載個(gè)數(shù)越
標(biāo)簽：
上傳時(shí)間： 2016-07-27
上傳用戶(hù)：vodssv
PDU協(xié)議解釋,分析信息傳輸?shù)木唧w指令,擴(kuò)大實(shí)際數(shù)據(jù)量
上傳時(shí)間： 2014-01-08
上傳用戶(hù)：bibirnovis
利用PA口的第二功能將PA0口（即ADC的0通道）輸入的模擬量轉(zhuǎn)變?yōu)閿?shù)字量，通道的參考源選 擇AVCC，并且數(shù)據(jù)采用右對(duì)齊方式，轉(zhuǎn)換方式為每1秒啟動(dòng)一次轉(zhuǎn)換，轉(zhuǎn)換結(jié)果由實(shí)驗(yàn)臺(tái)上 的七段數(shù)碼管顯示
上傳時(shí)間： 2013-12-19
上傳用戶(hù)：ecooo
建立預(yù)測(cè)煙葉中含Ｎ量的BP人工神經(jīng)網(wǎng)絡(luò)模型。。。。全局優(yōu)化算法
標(biāo)簽： 人工神經(jīng) 網(wǎng)絡(luò)模型 全局 優(yōu)化算法
上傳時(shí)間： 2013-11-28
上傳用戶(hù)：asdfasdfd
信息論基礎(chǔ):信息論與編碼課件：編寫(xiě)西安交通大學(xué)電信學(xué)院信通系鄧科
標(biāo)簽： 信息論 編碼 編寫(xiě) 大學(xué)
上傳時(shí)間： 2013-12-31
上傳用戶(hù)：wlcaption
關(guān)于終點(diǎn)彈道炸點(diǎn)坐標(biāo)精密測(cè)量技術(shù)研究，對(duì)武器系統(tǒng)專(zhuān)業(yè)學(xué)生有幫助
標(biāo)簽： 彈道 精密測(cè)量 技術(shù)研究
上傳時(shí)間： 2016-07-31
上傳用戶(hù)：l254587896
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個(gè)數(shù)據(jù)對(duì)象劃分為 k個(gè)聚類(lèi)以便使得所獲得的聚類(lèi)滿(mǎn)足：同一聚類(lèi)中的對(duì)象相似度較高；而不同聚類(lèi)中的對(duì)象相似度較小。聚類(lèi)相似度是利用各聚類(lèi)中對(duì)象的均值所獲得一個(gè)“中心對(duì)象”（引力中心）來(lái)進(jìn)行計(jì)算的。 k-means 算法的工作過(guò)程說(shuō)明如下：首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類(lèi)中心；而對(duì)于所剩下其它對(duì)象，則根據(jù)它們與這些聚類(lèi)中心的相似度（距離），分別將它們分配給與其最相似的（聚類(lèi)中心所代表的）聚類(lèi)；然后再計(jì)算每個(gè)所獲新聚類(lèi)的聚類(lèi)中心（該聚類(lèi)中所有對(duì)象的均值）；不斷重復(fù)這一過(guò)程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測(cè)度函數(shù). k個(gè)聚類(lèi)具有以下特點(diǎn)：各聚類(lèi)本身盡可能的緊湊，而各聚類(lèi)之間盡可能的分開(kāi)
標(biāo)簽： 聚類(lèi) K-MEANS k-means 對(duì)象
上傳時(shí)間： 2016-07-31
上傳用戶(hù)：youlongjian0
K-MEANS算法: k-means 算法接受輸入量 k ；然后將n個(gè)數(shù)據(jù)對(duì)象劃分為 k個(gè)聚類(lèi)以便使得所獲得的聚類(lèi)滿(mǎn)足：同一聚類(lèi)中的對(duì)象相似度較高；而不同聚類(lèi)中的對(duì)象相似度較小。聚類(lèi)相似度是利用各聚類(lèi)中對(duì)象的均值所獲得一個(gè)“中心對(duì)象”（引力中心）來(lái)進(jìn)行計(jì)算的。 k-means 算法的工作過(guò)程說(shuō)明如下：首先從n個(gè)數(shù)據(jù)對(duì)象任意選擇 k 個(gè)對(duì)象作為初始聚類(lèi)中心；而對(duì)于所剩下其它對(duì)象，則根據(jù)它們與這些聚類(lèi)中心的相似度（距離），分別將它們分配給與其最相似的（聚類(lèi)中心所代表的）聚類(lèi)；然后再計(jì)算每個(gè)所獲新聚類(lèi)的聚類(lèi)中心（該聚類(lèi)中所有對(duì)象的均值）；不斷重復(fù)這一過(guò)程直到標(biāo)準(zhǔn)測(cè)度函數(shù)開(kāi)始收斂為止。一般都采用均方差作為標(biāo)準(zhǔn)測(cè)度函數(shù). k個(gè)聚類(lèi)具有以下特點(diǎn)：各聚類(lèi)本身盡可能的緊湊，而各聚類(lèi)之間盡可能的分開(kāi)
標(biāo)簽： 聚類(lèi) K-MEANS k-means 對(duì)象
上傳時(shí)間： 2013-12-19
上傳用戶(hù)：chenlong
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
