TLC5618 D/A 輸出
上傳時間： 2015-03-10
上傳用戶：c12228
a/d公司8位微控制器aduc812（10路10位adc）應用筆記
上傳時間： 2015-03-11
上傳用戶：84425894
開發工具EVC3.0 按下面做然后編譯 是一個字典程序 請解壓縮到D盤根目錄,在eMbedded Visual C++ 3.0 的Tools=>Options菜單項Directories選擇卡中加入頭文件路徑： D:\JFDict200\SourceCode\libxml\include D:\JFDict200\SourceCode\libxslt 和正確的庫文件路徑，對于Pocket PC為： D:\JFDict200\SourceCode\_libfiles\WCE300\Pocket_PC\ARMRel
標簽： Directories 3.0 eMbedded Options
上傳時間： 2015-03-11
上傳用戶：一諾88
H.323 2000年規范的文檔，是H.323 V4的標準，這是目前最通用的版本，是學習開發H.323的必備材料。
上傳時間： 2013-12-24
上傳用戶：wangyi39
—圖數據類型的實現——問題描述：圖是一種較線性表和樹更為復雜的數據結構。在圖形結構中，結點之間的關系是任意的，任意兩個數據元素之間都可能相關，因此，圖的應用非常廣泛，已滲入到諸如語言學‘邏輯學、物理、化學、電訊工程、計算機科學及數學的其它分支中。因此，實現圖這種數據類型也尤為重要，在該練習中即要實現圖的抽象數據類型。基本要求：2、 定義出圖的ADT；3、 采用鄰接矩陣及鄰接表的存儲結構（有向圖也可使用十字鏈表）實現以下操作：a. 構造圖 b. 銷毀圖 c. 定位操作d. 訪問圖中某個頂點的操作e. 給圖中某個頂點賦值的操作f. 找圖中某個頂點的第一個鄰接點g. 找出圖G中頂點v相對于w的下一個鄰接點h. 在圖G中添加新頂點vi. 刪除圖G中頂點vj. 在圖G中插入一條邊k. 在圖G中刪除一條邊l. 實現圖的深度遍歷操作m. 實現圖的廣度遍歷操作參考提示：具體內容參看教科書本156頁實驗要求：對于以上具體操作要求實現時有良好的用戶交互界面。詳細設計、編碼、測試。
上傳時間： 2015-03-13
上傳用戶：saharawalker
開發環境：maxplus2 a/d convortor
上傳時間： 2015-03-13
上傳用戶：asasasas
This directory contains 3 file system modules: - file system ISO9660 iso9660.c iso9660.h - file system FAT12/16 fat.c fat.h - file system FAT32 fat32.c fat32.h file.c and file.h contains all high levels functions/macro/definition for your application. fs_variable.c contains all definitions of variables that can be shared with the all file systems. config.h must contain the definition of the file system used by your application.
標簽： 9660 file system directory
上傳時間： 2015-03-15
上傳用戶：腳趾頭
異步串口通信 VC++ 本文參考MSDN及相關網上文章。 ////////////////////////////////////////////// //MyComm.h 多機控制 異步串口通信 //說不定能有用上的。
上傳時間： 2013-12-10
上傳用戶：gundan
這是一個10的A/D轉換芯片，用他與51單片機組成控制系統，具有結構簡單，系統穩定的特點。
標簽： 轉換芯片
上傳時間： 2015-03-15
上傳用戶：tianjinfan
Hopfield 網——擅長于聯想記憶與解迷路 實現H網聯想記憶的關鍵，是使被記憶的模式樣本對應網絡能量函數的極小值。 設有M個N維記憶模式，通過對網絡N個神經元之間連接權 wij 和N個輸出閾值θj的設計，使得: 這M個記憶模式所對應的網絡狀態正好是網絡能量函數的M個極小值。 比較困難，目前還沒有一個適應任意形式的記憶模式的有效、通用的設計方法。 H網的算法 1）學習模式——決定權重 想要記憶的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 則任意兩個神經元j、i間的權重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數 ap(s)：第p個模式的第s個要素（-1或1） wij：第j個神經元與第i個神經元間的權重 i = j時，wij=0，即各神經元的輸出不直接返回自身。 2)想起模式： 神經元輸出值的初始化 想起時，一般是未知的輸入。設xi(0)為未知模式的第i個要素（-1或1） 將xi(0)作為相對應的神經元的初始值，其中，0意味t=0。 反復部分：對各神經元，計算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經元總數 f（）--Sgn（） θi—神經元i發火閾值 反復進行，直到各個神經元的輸出不再變化。
上傳時間： 2015-03-16
上傳用戶：JasonC
