void InitGoertzel(void) 作用：初始化算法參數(shù) 用法：采用算法進行檢測前執(zhí)行一次，如果需要改變參數(shù)，調(diào)用SetParameter() float CGoertzel::GetMagnitude(unsigned char * sampleData, int length) //算法主接口 作用：對采集下來的音頻數(shù)據(jù)用算法處理，返回一個結(jié)果 參數(shù)：sampleData－音頻數(shù)據(jù)緩沖地址指針； length-緩沖區(qū)尺寸(音頻數(shù)據(jù)數(shù)量),字節(jié)數(shù)； 返回值：返回算法結(jié)果。 void SetParameter(DWORD set_SampleRate, DWORD set_TargetFreq, DWORD set_BlockSize) 作用：設(shè)置算法參數(shù)； 參數(shù)：set_SampleRate-音頻數(shù)據(jù)抽樣速率； set_TargetFreq-目標信號頻率； set_BlockSize－算法數(shù)據(jù)塊尺寸(采樣點)； 用法：調(diào)用本函數(shù)后，需要調(diào)用一次InitGoertzel(void)才會生效
標簽： void InitGoertzel 算法 初始化
上傳時間： 2016-09-20
上傳用戶：sssl
matlab源代碼，經(jīng)典算法源代碼下載。是關(guān)于DTFT的
上傳時間： 2016-10-10
上傳用戶：hn891122
CARP(有向多中國郵遞員問題）的遺傳算法解法，目標和約束易修改。基于菲爾德大學(xué)遺傳算法工具箱，需先安裝
上傳時間： 2016-10-22
上傳用戶：xzt
本書系統(tǒng)地介紹了圖像處理與識別的基本原理、典型方法和實用技術(shù)。全書共分12章，第1章～第6章是圖像處理與識別的基礎(chǔ)內(nèi)容，包括圖像科學(xué)綜述、MATLAB語言圖像編程、圖像增強、圖像分割、圖像特征提取和圖像識別；第7章～第10章是圖像處理與識別的工程實例，涵蓋了醫(yī)學(xué)圖像處理、文字識別和自導(dǎo)引小車路徑識別等應(yīng)用實例，并結(jié)合理論算法，提供了大量MATLAB代碼程序，以幫助讀者掌握如何使用MATLAB語言快速進行算法的仿真、調(diào)試和估計等方法。第11章～第12章，是兩個綜合性較強的實例，分別是Visual C++實現(xiàn)的基于神經(jīng)網(wǎng)絡(luò)的文字識別系統(tǒng)和車牌定位系統(tǒng)。 本書附帶的光盤給出了各個章節(jié)列舉的實例的源代碼，同時贈送了28個常用數(shù)字圖像處理算法的Visual C++代碼實現(xiàn)。
上傳時間： 2014-01-06
上傳用戶：ecooo
關(guān)于兩個目標函數(shù)的，利用matlab遺傳算法工具箱的優(yōu)化程序。
標簽： 目標函數(shù)
上傳時間： 2014-09-06
上傳用戶：cazjing
MATLAB 編程，用MATLAB對先進控制算法編程 并且給出一個對象對其進行仿真
上傳時間： 2013-12-24
上傳用戶：84425894
用C語言實現(xiàn)遺傳的算法，MATLAB雖然有很多算法，但有時用c語言編寫的代碼執(zhí)行的快得多
上傳時間： 2013-12-24
上傳用戶：sk5201314
本文提出的中值濾波的快速算法的基本思想是：原始數(shù)據(jù)序列上中值濾波的滑窗在移動過程中，當前窗只要刪除其最早的元素，加入窗后的新元素，即成為下一窗的內(nèi)容。這個只是Matlab里封裝的算法代碼
標簽： 中值濾波 快速算法 序列 數(shù)據(jù)
上傳時間： 2017-09-20
上傳用戶：xinzhch
模擬退火算法是通過賦予搜索過程一種時變且最終趨于零的概率突跳性，從而可有效避免陷入局部極小并最終趨于全局最優(yōu)的串行結(jié)構(gòu)的優(yōu)化算法。
上傳時間： 2016-05-11
上傳用戶：wkchong
% 生成訓(xùn)練樣本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %輸入矢量的取值范圍矩陣 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神經(jīng)網(wǎng)絡(luò)， 12個隱層神經(jīng)元，4個輸出神經(jīng)元 %tranferFcn屬性 'logsig' 隱層采用Sigmoid傳輸函數(shù) %tranferFcn屬性 'logsig' 輸出層采用Sigmoid傳輸函數(shù) %trainFcn屬性 'traingdx' 自適應(yīng)調(diào)整學(xué)習(xí)速率附加動量因子梯度下降反向傳播算法訓(xùn)練函數(shù) %learn屬性 'learngdm' 附加動量因子的梯度下降學(xué)習(xí)函數(shù) net.trainParam.epochs=1000;%允許最大訓(xùn)練步數(shù)2000步 net.trainParam.goal=0.001; %訓(xùn)練目標最小誤差0.001 net.trainParam.show=10; %每間隔100步顯示一次訓(xùn)練結(jié)果 net.trainParam.lr=0.05; %學(xué)習(xí)速率0.05 bpnet=train(bpnet,P,T); %------------------------------------------------------------------------- p=[110 1.318 300 0.1 15 2 18 1 2]; p=p'/m; r=sim(bpnet,p); R=r'*n; display(R);
上傳時間： 2016-05-28
上傳用戶：shanqiu
蟲蟲下載站版權(quán)所有 京ICP備2021023401號-1
