求標準偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
標簽： gt myfunction function numel
上傳時間： 2014-01-15
上傳用戶：hongmo
求標準偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
標簽： gt myfunction function numel
上傳時間： 2013-12-26
上傳用戶：dreamboy36
求標準偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
標簽： gt myfunction function numel
上傳時間： 2016-06-28
上傳用戶：change0329
求標準偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
標簽： gt myfunction function numel
上傳時間： 2014-09-03
上傳用戶：jjj0202
asterisk 計費模塊，提供軟交換機計費之用。
上傳時間： 2014-01-08
上傳用戶：lxm
本程序可以對一個完整的類pascal程序進行語法分析并將分析的結果輸出顯示。 程序要求輸入的字符串必須有完整的程序體說明以及程序開始的標志，否則，該語法分析器給出錯誤信息。 當進行完上述判斷后，則進行各個語句串的分析，其中包括賦值語句，分支語句與循環語句（可嵌套判斷），并將判斷結果顯示，若有錯誤，則輸出錯誤類型以及行號。 輸出結果的形式：該語法分析器在結束一種句型分析時給出一個類型信息例如：if 1 then j:=j+1 的判斷信息為：“賦值語句” 和“if then 分支語句” 。
上傳時間： 2013-12-23
上傳用戶：R50974
使用說明 使用時打開此例題目錄下pic中的圖片，然后依次單擊按鈕“轉”、“1”、“2”、“3”、“4”和“5”，就可以實現精確的車牌定位。 具體步驟 1.24位真彩色->256色灰度圖。 2.預處理:中值濾波。 3.二值化:用一個初始閾值T對圖像A進行二值化得到二值化圖像B。 初始閾值T的確定方法是:選擇閾值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分別是最高、最低灰度值。 該閾值對不同牌照有一定的適應性,能夠保證背景基本被置為0,以突出牌照區域。 4.削弱背景干擾。對圖像B做簡單的相鄰像素灰度值相減,得到新的圖像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左邊緣直接賦值,不會影響整體效果。 5.用自定義模板進行中值濾波 區域灰度基本被賦值為0。考慮到文字是由許多短豎線組成,而背景噪聲有一大部分是孤立噪聲,用模板(1,1,1,1,1)T對G進行中值濾波,能夠得到除掉了大部分干擾的圖像C。 6.牌照搜索:利用水平投影法檢測車牌水平位置,利用垂直投影法檢測車牌垂直位置。 7.區域裁剪,截取車牌圖像。
上傳時間： 2014-01-17
上傳用戶：851197153
程序名：ga_bp_predict.cpp 描述： 采用GA優化的BP神經網絡程序，用于單因素時間 序列的預測,采用了單步與多步相結合預測 說明： 采用GA(浮點編碼)優化NN的初始權值W[j][i],V[k][j]，然后再采用BP算法 優化權值
標簽： ga_bp_predict cpp 程序 BP神經網絡
上傳時間： 2014-02-18
上傳用戶：冇尾飛鉈
動態規劃的方程大家都知道，就是 f[i,j]=min{f[i-1,j-1],f[i-1,j],f[i,j-1],f[i,j+1]}+a[i,j] 但是很多人會懷疑這道題的后效性而放棄動規做法。 本來我還想做Dijkstra，后來變了沒二十行pascal就告訴我數組越界了……（dist:array[1..1000*1001 div 2]...） 無奈之余看了xj_kidb1的題解，剛開始還覺得有問題，后來豁然開朗…… 反復動規。上山容易下山難，我們可以從上往下走，最后輸出f[n][1]。 xj_kidb1的一個技巧很重要，每次令f[i][0]=f[i][i],f[i][i+1]=f[i][1]（xj_kidb1的題解還寫錯了）
上傳時間： 2014-07-16
上傳用戶：libinxny
vxWorks下基于緩沖隊列的全雙工網絡通訊.pdf 文章針對半自動大型儀器使用半~K．．T--網絡通訊造成的效率下降問題，建立了在嵌入式實時操作系統vxWorks 下全雙工網絡通訊的模式，并特別提出了雙緩沖隊列的流水線處理方法和通訊死時J"l的概念。該方法充分利用vxWorks 對多任務和網絡的良好支持，做到了在操作人員層面上的軟件零死時間，在改善系統響應特性，提高軟件效率上都很有 幫助。因此比半雙工通訊方式更加適用于半自動控制
上傳時間： 2016-07-25
上傳用戶：zhouli
