【問題描述】 設計一個利用哈夫曼算法的編碼和譯碼系統，重復地顯示并處理以下項目，直到選擇退出為止。 【基本要求】 (1)初始化：鍵盤輸入字符集大小n、n個字符和n個權值，建立哈夫曼樹； (2)編碼：利用建好的哈夫曼樹生成哈夫曼編碼； (3)輸出編碼； (4)設字符集及頻度如下表： 字符：A B C D E F 頻度：4 9 23 2 17 15 字符：G H I J K 頻度：1 2 3 3 4
上傳時間： 2017-03-07
上傳用戶：qwe1234
設有兩個周期性的實時任務A和B，任務A要求每20ms執行一次，執行時間為10ms 任務B要求每50ms執行一次，執行時間為25ms 試編一調度程序按最小松弛度優先算法對這兩個任務進行調度并輸出每次調度時被調入運行任務的狀態: (任務名，所處周期數，調度時刻，運行持續時間)。
標簽： 周期
上傳時間： 2013-12-25
上傳用戶：924484786
給你A,B兩個字符串，檢查B串是否是A串的子串，類似于Java的String.indexOf("")。找到匹配失敗時的最合適的回退位置，而不是簡單的回退到子串的第一個字符（常規的枚舉查找方式，是簡單的回退到子串的第一個字符，KMP算法的性能分析Java實現實例）*此僅供大家參考、交流，希望對大家有所幫助！
標簽： 字符串
上傳時間： 2017-05-20
上傳用戶：498732662
Ｃ語言是在70年代初問世的。一九七八年由美國電話電報公司(AT&T)貝爾實驗室正式發表了Ｃ語言。同時由B.W.Kernighan和D.M.Ritchit合著了著名的“THE C PROGRAMMING LANGUAGE”一書。通常簡稱為《K&R》，也有人稱之為《K&R》標準。但是，在《K&R》中并沒有定義一個完整的標準C語言，后來由美國國家標準學會在此基礎上制定了一個C 語言標準，于一九八三年發表。通常稱之為ANSI C。
標簽： PROGRAMMING Kernighan Ritchit THE
上傳時間： 2014-11-12
上傳用戶：思琦琦
k-means 算法的工作過程說明如下：首先從n個數據對象任意選擇 k 個對象作為初始聚類中心；而對于所剩下其它對象，則根據它們與這些聚類中心的相似度（距離），分別將它們分配給與其最相似的（聚類中心所代表的）聚類；然后再計算每個所獲新聚類的聚類中心（該聚類中所有對象的均值）；不斷重復這一過程直到標準測度函數開始收斂為止。
上傳時間： 2013-12-27
上傳用戶：wpwpwlxwlx
本程序能產生大部份實用隨機數：產生一個[0,1]區間內均勻分布偽隨機數、產生多個[0,1]區間內均勻分布偽隨機數、產生任意[a,b]區間內一個均勻分布偽隨機整數、產生任意[a,b]區間內均勻分布偽隨機整數序列、產生一個任意均值與方差的正態分布隨機數、產生任意均值與方差的正態分布隨機數序列
上傳時間： 2013-12-18
上傳用戶：kbnswdifs
：將K—means算法引入到樸素貝葉斯分類研究中，提出一種基于K—means的樸素貝葉斯分類算法。首先用K— me．arks算法對原始數據集中的完整數據子集進行聚類，計算缺失數據子集中的每條記錄與 個簇重心之間的相似度，把記 錄賦給距離最近的一個簇，并用該簇相應的屬性均值來填充記錄的缺失值，然后用樸素貝葉斯分類算法對處理后的數據 集進行分類。實驗結果表明，與樸素貝葉斯相比，基于K—means思想的樸素貝葉斯算法具有較高的分類準確率。
上傳時間： 2017-08-18
上傳用戶：banyou
批處理感知器算法的代碼matlab w1=[1,0.1,1.1;1,6.8,7.1;1,-3.5,-4.1;1,2.0,2.7;1,4.1,2.8;1,3.1,5.0;1,-0.8,-1.3; 1,0.9,1.2;1,5.0,6.4;1,3.9,4.0]; w2=[1,7.1,4.2;1,-1.4,-4.3;1,4.5,0.0;1,6.3,1.6;1,4.2,1.9;1,1.4,-3.2;1,2.4,-4.0; 1,2.5,-6.1;1,8.4,3.7;1,4.1,-2.2]; w3=[1,-3.0,-2.9;1,0.5,8.7;1,2.9,2.1;1,-0.1,5.2;1,-4.0,2.2;1,-1.3,3.7;1,-3.4,6.2; 1,-4.1,3.4;1,-5.1,1.6;1,1.9,5.1]; figure; plot(w3(:,2),w3(:,3),'ro'); hold on; plot(w2(:,2),w2(:,3),'b+'); W=[w2;-w3];%增廣樣本規范化 a=[0,0,0]; k=0;%記錄步數 n=1; y=zeros(size(W,2),1);%記錄錯分的樣本 while any(y<=0) k=k+1; y=a*transpose(W);%記錄錯分的樣本 a=a+sum(W(find(y<=0),:));%更新a if k >= 250 break end end if k<250 disp(['a為：',num2str(a)]) disp(['k為：',num2str(k)]) else disp(['在250步以內沒有收斂，終止']) end %判決面：x2=-a2*x1/a3-a1/a3 xmin=min(min(w1(:,2)),min(w2(:,2))); xmax=max(max(w1(:,2)),max(w2(:,2))); x=xmin-1:xmax+1;%(xmax-xmin): y=-a(2)*x/a(3)-a(1)/a(3); plot(x,y)
上傳時間： 2016-11-07
上傳用戶：a1241314660
K-Means算法是最古老也是應用最廣泛的聚類算法，它使用質心定義原型，質心是一組點的均值，通常該算法用于n維連續空間中的對象。 K-Means算法流程 step1：選擇K個點作為初始質心 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 例如下圖的樣本集，初始選擇是三個質心比較集中，但是迭代3次之后，質心趨于穩定，并將樣本集分為3部分 我們對每一個步驟都進行分析 step1：選擇K個點作為初始質心 這一步首先要知道K的值，也就是說K是手動設置的，而不是像EM算法那樣自動聚類成n個簇 其次，如何選擇初始質心 最簡單的方式無異于，隨機選取質心了，然后多次運行，取效果最好的那個結果。這個方法，簡單但不見得有效，有很大的可能是得到局部最優。 另一種復雜的方式是，隨機選取一個質心，然后計算離這個質心最遠的樣本點，對于每個后繼質心都選取已經選取過的質心的最遠點。使用這種方式，可以確保質心是隨機的，并且是散開的。 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 如何定義最近的概念，對于歐式空間中的點，可以使用歐式空間，對于文檔可以用余弦相似性等等。對于給定的數據，可能適應與多種合適的鄰近性度量。
上傳時間： 2018-11-27
上傳用戶：1159474180
描述了NTC使用B值計算出實際溫度與輸出的電壓之間的關系。
標簽： ntc計算
上傳時間： 2022-06-15
上傳用戶：
