％ EM algorithm for k multidimensional Gaussian mixture estimation ％ ％ Inputs: ％ X(n,d) - input data, n=number of observations, d=dimension of variable ％ k - maximum number of Gaussian components allowed ％ ltol - percentage of the log likelihood difference between 2 iterations ([] for none) ％ maxiter - maximum number of iteration allowed ([] for none) ％ pflag - 1 for plotting GM for 1D or 2D cases only, 0 otherwise ([] for none) ％ Init - structure of initial W, M, V: Init.W, Init.M, Init.V ([] for none) ％ ％ Ouputs: ％ W(1,k) - estimated weights of GM ％ M(d,k) - estimated mean vectors of GM ％ V(d,d,k) - estimated covariance matrices of GM ％ L - log likelihood of estimates ％
標(biāo)簽： multidimensional estimation algorithm Gaussian
上傳時(shí)間： 2013-12-03
上傳用戶：我們的船長(zhǎng)
web parser的範(fàn)例程式， 此python程式parse 衛(wèi)星電視網(wǎng)頁(yè)的一些重要欄位，裡面有介紹HTML Parser的簡(jiǎn)單使用方式
上傳時(shí)間： 2016-06-05
上傳用戶：asddsd
在GIS領(lǐng)域中，目前正有一新興的架構(gòu)模式產(chǎn)生，此架構(gòu)改變了GIS處理圖資的方式，此架構(gòu)模式稱為DGIS(Distributed GIS-分散式地理資訊系統(tǒng))。DGIS將傳統(tǒng)桌上型單機(jī)作業(yè)之GIS概念延伸至網(wǎng)際網(wǎng)路(Web)之解決方案上，以能符合現(xiàn)行系統(tǒng)圖資處理之需求。而此種以分散式概念延伸至網(wǎng)際網(wǎng)路的架構(gòu)稱之為網(wǎng)際網(wǎng)路地理資訊系統(tǒng)（WebGIS或Internet GIS）。
標(biāo)簽： GIS
上傳時(shí)間： 2014-01-17
上傳用戶：dongbaobao
產(chǎn)生頻率選擇性衰落的雷利通道，參數(shù)由天線結(jié)構(gòu)、OFDM系統(tǒng)的結(jié)構(gòu)與功率延時(shí)結(jié)構(gòu)來決定。
標(biāo)簽：
上傳時(shí)間： 2014-12-20
上傳用戶：lizhizheng88
Description 為了宣傳本次“網(wǎng)宿科技杯”廈門大學(xué)第五屆程序設(shè)計(jì)競(jìng)賽，系里面做了兩張精美的海報(bào)。經(jīng)過了精確的計(jì)算，為了達(dá)到最佳美觀效果，每張海報(bào)都有自己最佳的粘貼位置。但是現(xiàn)在問題是，如果兩張海報(bào)都要求貼在最佳位置時(shí)，很有可能有部分地方會(huì)重疊在一起。現(xiàn)在您來判斷一下這兩張海報(bào)是否重疊。 Input 輸入包含兩行，每一行有四個(gè)整數(shù)來描述這個(gè)海報(bào)的最佳粘貼位置，X,Y,W,H(-10000<= X,Y <= 10000)(0 < W, H <= 10000)，X,Y表示海報(bào)左下角的坐標(biāo)，W,H分別表示寬度和高度。 Output 輸出"Yes"表示兩張海報(bào)互相重疊(表示存在一個(gè)面積大于0的公共區(qū)域)，否則輸出"No"。(不包含引號(hào)，注意大小寫) Sample Input -10 -10 20 30 0 0 30 20 Sample Output Yes
標(biāo)簽： Description 大學(xué) 程序設(shè)計(jì) 競(jìng)賽
上傳時(shí)間： 2016-06-26
上傳用戶：gxf2016
圖的鄰接矩陣和遍歷 一．問題描述 構(gòu)造一圖，用鄰接矩陣實(shí)現(xiàn)該圖的深度優(yōu)先遍歷或廣度優(yōu)先遍歷。 二．實(shí)驗(yàn)?zāi)康? 1．掌握?qǐng)D的基本概念和鄰接矩陣的存儲(chǔ)結(jié)構(gòu)。 2．掌握鄰接矩陣存儲(chǔ)結(jié)構(gòu)的算法實(shí)現(xiàn)。 3．掌握?qǐng)D在鄰接矩陣存儲(chǔ)結(jié)構(gòu)上遍歷算法的實(shí)現(xiàn)。 三．實(shí)驗(yàn)要求 1．確定圖的頂點(diǎn)個(gè)數(shù)和邊的個(gè)數(shù)，建立鄰接矩陣，實(shí)現(xiàn)深度優(yōu)先遍歷或廣度優(yōu)先遍歷，再在主函數(shù)中調(diào)用它們。 2．深度優(yōu)先遍歷思想： （1）訪問頂點(diǎn)v （2）從v的未被訪問的鄰接點(diǎn)中選取一個(gè)頂點(diǎn)w，從w出發(fā)進(jìn)行深度優(yōu)先遍歷； （3）重復(fù)上述兩步，直至圖中所有和v有路徑相通的頂點(diǎn)都被訪問到。
標(biāo)簽： 矩陣
上傳時(shí)間： 2016-06-28
上傳用戶：tb_6877751
壓縮目錄下的Test_USB_Test.exe是PC側(cè)的應(yīng)用程序，dsp5509_10MHz_clk.out、dsp5509_12MHz_clk.out、和dsp5509_16MHz_clk.out是分別針對(duì)5509時(shí)鐘為10M、12M和16M的out文件。基于ccs2.2開發(fā)。 在ccs2.2中l(wèi)oad針對(duì)自己硬件平臺(tái)的.out文件，用USB線連接好5509與PC，運(yùn)行.out，會(huì)提示檢測(cè)到USB設(shè)備，指定driver目錄下的驅(qū)動(dòng)即可。 再運(yùn)行Test_USB_Test.exe，其操作格式為Test_USB_Test.exe w 32 r 32 即從PC向dsp寫入32個(gè)字符，再讀取32個(gè)5509返回的字符，在dsp上將輸入的字符做了簡(jiǎn)單的＋1操作。
標(biāo)簽： Test_USB_Test exe 目錄 應(yīng)用程序
上傳時(shí)間： 2016-06-29
上傳用戶：小草123
看n2實(shí)例 #Create a simulator object set ns [new Simulator] #Define different colors for data flows #$ns color 1 Blue #$ns color 2 Red #Open the nam trace file set nf [open out-1.nam w] $ns namtrace-all $nf set f0 [open out0.tr w] set f1 [open out1.tr w] #Define a finish procedure proc finish {} { global ns nf $ns flush-trace #Close the trace file close $nf #Execute nam on the trace file exit 0 } #Create four nodes set n0 [$ns node] set n1 [$ns node] set n2 [$ns node] set n3 [$ns node] #Create links between the nodes $ns duplex-link $n0 $n2 1Mb 10ms
標(biāo)簽： simulator Simulator different Create
上傳時(shí)間： 2016-07-02
上傳用戶：wfl_yy
程序名：ga_bp_predict.cpp 描述： 采用GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)程序，用于單因素時(shí)間 序列的預(yù)測(cè),采用了單步與多步相結(jié)合預(yù)測(cè) 說明： 采用GA(浮點(diǎn)編碼)優(yōu)化NN的初始權(quán)值W[j][i],V[k][j]，然后再采用BP算法 優(yōu)化權(quán)值
標(biāo)簽： ga_bp_predict cpp 程序 BP神經(jīng)網(wǎng)絡(luò)
上傳時(shí)間： 2014-02-18
上傳用戶：冇尾飛鉈
若不希望用與估計(jì)輸入信號(hào)矢量有關(guān)的相關(guān)矩陣來加快LMS算法的收斂速度，那么可用變步長(zhǎng)方法來縮短其自適應(yīng)收斂過程，其中一個(gè)主要的方法是歸一化LMS算法（NLMS算法），變步長(zhǎng) 的更新公式可寫成 W（n+1）=w（n）+ e（n）x（n） =w（n）+ （3.1） 式中， = e（n）x（n）表示濾波權(quán)矢量迭代更新的調(diào)整量。為了達(dá)到快速收斂的目的，必須合適的選擇變步長(zhǎng) 的值，一個(gè)可能策略是盡可能多地減少瞬時(shí)平方誤差，即用瞬時(shí)平方誤差作為均方誤差的MSE簡(jiǎn)單估計(jì)，這也是LMS算法的基本思想。
上傳時(shí)間： 2016-07-07
上傳用戶：changeboy
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
