系統資源(r1…rm),共有m類，每類數目為r1…rm。隨機產生進程Pi(id,s(j,k)，t),0
上傳時間： 2014-01-27
上傳用戶：天誠24
DSP中輸入信號的生成過程。 conio.cpp實現X(n)信號，其中有兩個頻率分量的正弦信號（正弦計算由sinwn.cpp實現），頻率可變，這里取140Hz和70Hz。 考慮了高斯白噪聲，由gauss.cpp實現。 最后該信號共產生2000個點，最后的信號點存儲于 “x.txt”文本中。
上傳時間： 2014-09-03
上傳用戶：tianyi223
實現聚類K均值算法： K均值算法：給定類的個數K，將n個對象分到K個類中去，使得類內對象之間的相似性最大，而類之間的相似性最小。 缺點：產生類的大小相差不會很大，對于臟數據很敏感。 改進的算法：k—medoids 方法。這兒選取一個對象叫做mediod來代替上面的中心 的作用，這樣的一個medoid就標識了這個類。步驟： 1，任意選取K個對象作為medoids（O1,O2,…Oi…Ok）。 以下是循環的： 2，將余下的對象分到各個類中去（根據與medoid最相近的原則）； 3，對于每個類（Oi）中，順序選取一個Or，計算用Or代替Oi后的消耗—E（Or）。選擇E最小的那個Or來代替Oi。這樣K個medoids就改變了，下面就再轉到2。 4，這樣循環直到K個medoids固定下來。 這種算法對于臟數據和異常數據不敏感，但計算量顯然要比K均值要大，一般只適合小數據量。
上傳時間： 2015-04-03
上傳用戶：sardinescn
求解網絡中的最短路徑。假設某個計算機網絡有n個站點，依次編號為1,2,…,n；有的站點之間有直接的線路連接（即這兩個站點之間沒有其它站點），有的站點之間沒有直接的線路連接。如果用三元組（i,j,f）來表示該網絡中的站點I和站點j之間有直接的線路連接且它們之間的距離為f 當已知該網絡各站點之間的直接連接情況由m個三元組（i1,j1,f1）,(i2,j2,f2),…,(im,jm,fm)確定時，要求計算出對于網絡中任意一個站點g(1≤g≤n)到其余各站點的最短距離。
上傳時間： 2013-12-27
上傳用戶：asdkin
提出了一種基于樣本的分級檢索 MPEG 視頻的新方法:首先用I 幀的dct_dc_size 字段快速粗檢,然后用斷層攝影(tomography)法分析B 幀運動矢 量的時空分布特性以進一步縮小結果集,最后用DC 圖像的精確匹配方法驗證檢索結果.試驗結果表明,本方法 所需計算量較小,且可保證較高的檢索精度.
標簽： dct_dc_size tomography MPEG 幀
上傳時間： 2013-12-30
上傳用戶：獨孤求源
現有一個信號：x(n)=1+cos(π*n/4)+ cos(2*π*n/3)設計及各種數字濾波器以達下列目的： 低通濾波器，濾除cos(2*π*n/3) 的成分，即想保留的成分為1+cos(π*n/4) 高通濾波器，濾除1+cos(π*n/4) 的成分，即想保留的成分為cos(2*π*n/3) 帶通濾波器，濾除1+cos(2*π*n/3) 的成分，即想保留的成分為cos(π*n/4) 帶阻濾波器，濾除cos(π*n/4) 的成分，即想保留的成分為1+cos(2*π*n/3) 1. 用MATLAB命令butterord求除濾波器的階數,用命令butter設計各濾波器；畫出濾波器幅度和相頻相應 取各濾波器的系統函數H(z)。
上傳時間： 2013-12-28
上傳用戶：daoxiang126
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：R50974
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：ryb
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2014-12-19
上傳用戶：TRIFCT
．數據結構 假設有M個進程N類資源，則有如下數據結構： MAX[M*N] M個進程對N類資源的最大需求量 AVAILABLE[N] 系統可用資源數 ALLOCATION[M*N] M個進程已經得到N類資源的資源量 NEED[M*N] M個進程還需要N類資源的資源量 2．銀行家算法 設進程I提出請求Request[N]，則銀行家算法按如下規則進行判斷。 (1)如果Request[N]<=NEED[I，N]，則轉(2)；否則，出錯。 (2)如果Request[N]<=AVAILABLE，則轉(3)；否則，出錯。 (3)系統試探分配資源，修改相關數據： AVAILABLE=AVAILABLE-REQUEST ALLOCATION=ALLOCATION+REQUEST NEED=NEED-REQUEST (4)系統執行安全性檢查，如安全，則分配成立；否則試探險性分配作廢，系統恢復原狀，進程等待。 3．安全性檢查 (1)設置兩個工作向量WORK=AVAILABLE；FINISH[M]=FALSE (2)從進程集合中找到一個滿足下述條件的進程， FINISH[i]=FALSE NEED<=WORK 如找到，執行(3)；否則，執行(4) (3)設進程獲得資源，可順利執行，直至完成，從而釋放資源。 WORK=WORK+ALLOCATION FINISH=TRUE GO TO 2 (4)如所有的進程Finish[M]=true，則表示安全；否則系統不安全。
上傳時間： 2014-01-05
上傳用戶：moshushi0009
