<li id="i6ki2"></li> 學校管理系統中的教師管理模塊，可分為外籍教師等多個部分
上傳時間： 2013-12-23
上傳用戶：黃華強
設計學校管理系統設計中的招生模塊，可實現招生，聯系，等多功能的設計
上傳時間： 2017-08-05
上傳用戶：wff
Omap2420適合基于Linux、Windows和Symbian操作系統(OS)的高端手機應用。它是Omap 2系列產品中的第一款，而Omap2系列最終將會轉向“調制解調和應用處理器”的混合領域。或許這款芯片最吸引人的地方就是多處理器內核，它包含了330MHz的ARM 11 RISC、220 MHz的TI C55 DSP、內含ARM7的成像和視頻處理器，以及支持166 MHz移動DDR SDRAM的Imagination Technologies公司3-D圖形處理器。該芯片還集成了顯示和相機控制器、SDRAM和閃存控制器，并附加了60多個外圍控制器。Omap 2420能夠為高端多媒體應用提供強大支持，這些應用包括30fps通用中間格式(CIF)的視頻會議、30fps的VGA編解碼、VGA和TV顯示，以及300萬像素以上的相機。使用該芯片的手機設計已經進行了一段時間，估計馬上就會投放市場
標簽： Omap Windows Symbian Linux
上傳時間： 2017-08-06
上傳用戶：agent
本系統主要針對物流供應鏈中的庫存管理環節，實現了： 1) 貨物的入庫、出庫、調庫、借出、借入、調撥、報損、盤點等多種操作流程。 2) 寫入各種出入庫憑證及憑證查詢。 3) 統計倉庫賬目，以無紙化作業全面代替手工臺帳。 4) 準確控制存儲物料的數量，以保證穩定的物流，支持正常的生產，支持多倉庫操作，貨物的批量出入庫、調庫、盤點、貨位管理等。 5) 有效地解決貨物的積壓、超儲、過期、短缺、賬目混亂等常見的弊病。 6) 實時的庫存信息控制，保證了準時交付。
上傳時間： 2017-09-07
上傳用戶：chfanjiang
改進PSO-SVM在說話人識別中的應用。通過對粒子群優化算法中慣性權重和全局最優值 的分析，提出了一種根據迭代次數而自適應變化的慣性權重的粒子群優化方法
上傳時間： 2017-09-10
上傳用戶：libenshu01
DOA 估計技術作為第三代移動通信的關鍵技術之一，在無線通信中起著重要的作用，此技術有很多的算法，其中music是很重要的算法之一。
上傳時間： 2014-08-11
上傳用戶：ainimao
圖像管理 對圖片進行預覽的功能（參考ACDSee界面）。要求在界面中顯示一個本地計算機中的文件夾的樹形結構，選取一個文件夾后，在右邊以縮略圖的形式將該文件夾中的圖片顯示出來。 從上圖預覽界面中雙擊某圖片后（或從菜單選擇顯示功能）進入顯示界面。首先顯示選中的圖片。然后重點實現以下功能：設計向上按鈕，選擇向上按鈕后回到上圖預覽界面；設計3個按鈕實現：查看上一幅、下一幅、自動播放當前文件夾圖片功能。 （1）圖片刪除。選擇一個圖片文件或文件夾，刪除該圖片文件或文件夾。 （2）圖片復制。可以將一個或多個圖片從當前文件夾復制到其他文件夾。 （3）圖片改名
上傳時間： 2017-09-14
上傳用戶：13517191407
以基于Proteus的微處理器8086和可編程并行接口芯片8255A的接口擴展電路仿真為例,闡述了Proteus軟件仿真在"微機原理及接口技術"課程教學中的使用方法和仿真過程。在8086接口技術教學中引入Proteus軟件仿真,作為傳統教學的有益補充,激發了學生學習的興趣,深化了學生對課程內容的理解,取得了良好的教學效果,是提高教學質量的一種有效方法。 更多還原
上傳時間： 2018-06-27
上傳用戶：survivor
本書首先介紹MATLAB的基本使用方法和程序設計基礎，然后將MATLAB與最優化計算相結合，基于最優化理論與方法，講解如何使用MATLAB求解最優化領域的實際問題。這些問題涵蓋最優化理論與方法中的線性規劃問題、整數規劃問題、非線性規劃問題、二次規劃問題、多目標規劃問題、圖與網絡優化問題和現代智能優化問題。本書內容循序漸進、由淺入深，并結合大量實例幫助讀者理解和掌握最優化問題的建模方法與求解技巧。隨書光盤中附有全部案例的源代碼，并有大量教學視頻，方便讀者學習與提高。
上傳時間： 2020-07-25
上傳用戶：
神經網絡在智能機器人導航系統中的應用研究1神經網絡在環境感知中的應 用 對環境 的感 知 ，環境模型 妁表示 是非常重要 的。未 知 環境中的障礙物的幾何形狀是不確定的，常用的表示方浩是 槽格法。如果用冊格法表示范圍較大的工作環境，在滿足 精度要求 的情況下，必定要占用大量的內存，并且采用柵 格法進行路徑規劃，其計算量是相當大的。Kohon~n自組織 神經瞬絡為機器人對未知環境的蒜知提供了一條途徑。 Kohone~沖經網絡是一十自組織神經網絡，其學習的結 果能體現出輸入樣本的分布情況，從而對輸入樣本實現數 據壓縮 。基于 網絡 的這些特 性，可采 用K0h0n曲 神經元 的 權向量來表示 自由空間，其方法是在 自由空間中隨機地選 取坐標點xltl【可由傳感器獲得】作為網絡輸入，神經嘲絡通 過對大量的輸八樣本的學習，其神經元就會體現出一定的 分布形 式 學習過程如下：開 始時網絡的權值隨機地賦值 ， 其后接下式進行學 習： ， 、 Jm(，)+叫f)f，)一珥ff)) ∈N，(f) (，) VfeN．(f1 其 中M(f1：神經元 1在t時刻對 應的權值 ；a(∽ 謂整系 數 ； (『l網絡的輸八矢量；Ⅳ()：學習的 I域。每個神經元能最 大限度 地表示一 定 的自由空間 。神經 元權 向量的最 小生成 樹可以表示出自由空問的基本框架。網絡學習的鄰域 (，) 可 以動 態地 定義 成矩形 、多邊 形 。神經 元數量 的選取取 決 于環境 的復雜度 ，如果神 經元 的數量 太少 ．它們就 不能 覆 蓋整十空間，結果會導致節點穿過障礙物區域 如果節點 妁數量太大 ．節點就會表示更多的區域，也就得不到距障 礙物的最大距離。在這種情況下，節點是對整個 自由空間 的學 習，而不是 學習最 小框架空 間 。節 點的數 量可 以動態 地定義，在每個學習階段的結柬．機器人會檢查所有的路 徑．如檢鍘刊路徑上有障礙物 ，就意味著沒有足夠的節點 來 覆蓋整 十 自由窯 間，需要增加 網絡節點來 重新學 習 所 138一 以為了收斂于最小框架表示 ，應該采用較少的網絡 節點升 始學習，逐步增加其數量。這種方法比較適臺對擁擠的'E{= 境的學習，自由空間教小，就可用線段表示；若自由空問 較大，就需要由二維結構表示 。 采用Kohonen~沖經阿絡表示環境是一個新的方法。由 于網絡的并行結構，可在較短的時間內進行大量的計算。并 且不需要了解障礙物的過細信息．如形狀、位置等 通過 學習可用樹結構表示自由空問的基本框架，起、終點問路 徑 可利用樹的遍 歷技術報容易地被找到 在機器人對環境的感知的過程中，可采用人】：神經嘲 絡技術對 多傳 感器的信息進 行融臺 。由于單個傳感器僅能 提 供部分不 完全 的環境信息 ，因此只有秉 甩 多種傳感器 才 能提高機器凡的感知能力。 2 神經 網絡在局部路徑規射中的應 用 局部路徑 規刪足稱動吝避碰 規劃 ，足以全局規荊為指 導 利用在線得到的局部環境信息，在盡可能短的時問內
上傳時間： 2022-02-12
上傳用戶：qingfengchizhu
<rt id="w2kgo"></rt>
<rt id="w2kgo"></rt>