TMS320F2812各種TI自帶函數，如初始化函數以及外設函數說明
上傳時間： 2014-12-06
上傳用戶：小眼睛LSL
本論文主要介紹圖像處理系統軟件的算法分析、代碼實現。以及實現軟件開發的程序開發工具Delphi的簡單介紹。軟件開發的目的是實現對圖像的銳化、扭曲、波浪平滑處理等效果。文章的主要內容為該軟件的算法分析過程、代碼編寫、界面設計和系統實現過程。本論文特別對圖象的銳化、圖象的扭曲和圖象的平滑處理算法進行了系統的分析和比較，如銳化功能的差分法與邊緣提取算法的分析、比較，平滑功能的平滑濾波法、中值濾波法、自適應濾波法等算法的分析、比較。然后對確定的這幾個功能算法的實現編寫了Delphi的算法代碼，其中心代碼在文中將詳細介紹。論文最后介紹了本軟件的界面設計過程和界面設計結果，并對其中幾個主要按鈕的代碼實現做了介紹。是介紹整個軟件開發過程的文章。
上傳時間： 2017-05-21
上傳用戶：qw12
VC的可視化編程環境為我們提供了方便的界面編程操作，然而對于不規則窗體的實現，還需要通過語言編程來實現。本文檔教你如何編寫自定制不規則窗體！
上傳時間： 2014-01-15
上傳用戶：lz4v4
Visual C++（簡稱VC）是Microsoft公司推出的目前使用極為廣泛的基于Windows平臺的C++可視化開發環境。Visual C++6.0提供的控制臺應用程序對學習和掌握標準C++內容非常有利。“可視”的資源編輯器與MFC類以及應用程序向導，為快速高效地開發出功能強大的Windows應用程序提供了極大的方便。利用Visual C++6.0進行Internet、數據庫及多媒體等多方面的程序開發也很容易。在我國，Visual C++6.0已相當流行，為了適應形式發展的需要和廣泛的社會需求，我信息工程學院各專業自2003年開始，都陸續開設了C++和Visual C++應用程序設計課程。為了方便教學和學生們的學習，我們開設了網上教學一欄，將教師教案供學生網上閱讀，并在其中設立學生提問，教師答疑等。希望同學們能真正學好這門課程。
標簽： Visual Microsoft Windows 6.0
上傳時間： 2014-12-21
上傳用戶：sdq_123
P0301：數字圖像矩陣數據的顯示及其傅立葉變換 P0302：二維離散余弦變換的圖像壓縮 P0303：采用灰度變換的方法增強圖像的對比度 P0304：直方圖均勻化 P0305：模擬圖像受高斯白噪聲和椒鹽噪聲的影響 P0306：采用二維中值濾波函數medfilt2對受椒鹽噪聲干擾的圖像濾波 P0307：采用MATLAB中的函數filter2對受噪聲干擾的圖像進行均值濾波 P0308：圖像的自適應魏納濾波 P0309：運用5種不同的梯度增強法進行圖像銳化 P0310：圖像的高通濾波和掩模處理 P0311：利用巴特沃斯（Butterworth）低通濾波器對受噪聲干擾的圖像進行平滑處理 P0312：利用巴特沃斯（Butterworth）高通濾波器對圖像進行銳化處理
上傳時間： 2017-07-12
上傳用戶：ikemada
語音識別中的說話人自適應研究.nh 1.MAP和MLLR算法比較 文章在討論由說話人引起的聲學差異基礎上，研究兩種基于模型 的自適應算法:最大似然線性回歸(州壓LR)和最大后驗概率(MAp)。 實驗結果表明，不論采用哪種自適應都能使識別率有一定的提升。兩 種算法之間的差異性在于MAP具有良好的漸進性，但收斂性較差， 而MLLR在很大程度上改善了收斂特性，但其漸進特性卻不如MAP。 文章討論了在側汰P自適應中，初始模型參數的先驗知識對自適 應效果的影響，以及在MLLR中，回歸類對自適應效果的影響。文 章還進一步研究了采用兩種算法的累加自適應效果，從結果看MAP 和MLLR結合的方法比單獨使用M[AP和MLLR的效果要好。文章 還對包括基于特征層的歸一化算法和用于基于聲學模型的MLLR算 法等效性進行討論，并給出了統一的算法框架。
上傳時間： 2014-01-09
上傳用戶：bakdesec
這個程序可以自定義顏色選擇框，因為matlab自帶的uisetcolor在編譯后的.exe中運行會導致窗口最小化，所以可以自定義顏色選擇框
上傳時間： 2013-12-12
上傳用戶：蠢蠢66
notepad2_4.2.25漢化資源文件 CSDN-tags:notepad2 sChinese 中文rc資源 Notepad2中文資源修改自： http://www.flos-freeware.ch/zip/notepad2_4.2.25_src.zip\src\Notepad2.rc
上傳時間： 2018-09-08
上傳用戶：xxagri
對于國內金屬化電容器研究現狀進行闡述，并對電容器自愈性展開討論。
標簽： 薄膜電容器
上傳時間： 2022-02-09
上傳用戶：1208020161
1.針對一類參數未知的非線性離散時間動態系統，提出了一種新的基于神經網絡的MMAC方法。首先，將系統分為線性部分和非線性部分。針對系統線性部分采用局部化方法逮立多個固定模型覆蓋系統的參數范圍，在此基礎上，建立自適應模型來提高系統性能；針對系統非線性部分建立非線性神經網絡預測模型來邏近系統的非線性。然后，針對每個子模型設計相應的擅制器。最后，設計基于誤差范數形式的性能指標函數對控制器進行硬切換。仿真結果表明，所提出的MMAC方法與傳統的在參數空間均勻分布的MMAC方法相比能顯著提高非線性系統的暫態性能。2針對一類具有參數跳變的非線性離散時間動態系統，提出子一種基才聚類方法和神經網絡的MMAC方法，首先，采用模糊c均值聚類算法對系統先驗數據進行分類處理，再分別對每類數據采用RLS算法建立多個固定模型。在此基礎上，建立兩個白適應模型來提高系統響應速度和控制品質，建立神經網絡預測模型來補償系統非線性。然后，分別針對相應的子模型設計線性魯棒自適應控制器和神經網絡控制器。最后，采用基于信號有界和測量誤差的性能切換指標對控制器進行切換，并證明閉環系統的穩定性。仿真結果表明，所提出的算法能更好地解決非線性系統發生參數跳變問題，使得系統具有良好的控制品質3.針對MMAC方法中的模型庫優化問題，考慮系統實際運行數據，提出了種基于相似度準則和設置最大模型數的動態優化模型庫方法。該方法能對新數據進行綜合考量并判斷是否應該將該數據納入子模型建模，并通過設置最大模型數來確保系統用最少的子模型就能保證系統的控制性能。仿真結果表明，所提出的算法能極大地減少子模型數量且具有較好的控制效果。關鍵詞：非線性系統；多模型方法；自適應控制；模糊聚類；神經網絡
標簽： 自適應控制
上傳時間： 2022-03-11
上傳用戶：
