一个纠错编码源代码,用c写的，在某些对错误比较敏感的地方可以有很大作用.
上传时间： 2014-01-08
上传用户：youmo81
一个纠错编码源代码,用c写的，在某些对错误比较敏感的地方可以有很大作用.
上传时间： 2015-03-26
上传用户：ve3344
一个纠错编码源代码,用c写的，在某些对错误比较敏感的地方可以有很大作用.
上传时间： 2015-03-26
上传用户：ljt101007
实现聚类K均值算法： K均值算法：给定类的个数K，将n个对象分到K个类中去，使得类内对象之间的相似性最大，而类之间的相似性最小。 缺点：产生类的大小相差不会很大，对于脏数据很敏感。 改进的算法：k—medoids 方法。这儿选取一个对象叫做mediod来代替上面的中心 的作用，这样的一个medoid就标识了这个类。步骤： 1，任意选取K个对象作为medoids（O1,O2,…Oi…Ok）。 以下是循环的： 2，将余下的对象分到各个类中去（根据与medoid最相近的原则）； 3，对于每个类（Oi）中，顺序选取一个Or，计算用Or代替Oi后的消耗—E（Or）。选择E最小的那个Or来代替Oi。这样K个medoids就改变了，下面就再转到2。 4，这样循环直到K个medoids固定下来。 这种算法对于脏数据和异常数据不敏感，但计算量显然要比K均值要大，一般只适合小数据量。
上传时间： 2015-04-03
上传用户：sardinescn
程序主要功能如下: 1,可实现多域名的二级域名申请,添加多个域名 2,可限制各域名的注册数 3,可对域名进行排序 3,可限制用户多长时间内可注册一次 4,可设置是否弹出广告条,以及广告窗口的大小. 5,可设置系统保留帐号,以及需屏蔽的敏感字符 6,用户可选择是否隐藏真实的URL 7,完整的后台管理,可对用户资料进行查询修改 8,可对用户进行锁定 9,用户密码使用MD5加密,使数据更安全 10,可对系统进行统计,如注册用户和访问量总和 11,可实现对国际域名的URL转发 12,可设定某用户是否弹出广告窗口
上传时间： 2013-12-24
上传用户：123456wh
此程序使用的集成环境为TI公司的CCS。程序的平台是使用合众达的VPMDM642 c_fusejiance是用DSP进行肤色检测。人体的皮肤颜色是人体的一个重要特征，肤色检测被广泛的应用于人脸跟踪、人脸检测、手语识别、敏感图像过滤等领域中.
标签： c_fusejiance VPMDM CCS 642
上传时间： 2013-12-16
上传用户：wpt
档案管理系统使用说明 0.超越VB的界面，全新感觉 1.本系统大部分采用Windows系统核心，所有操作方便、快捷 2.适用于Windows95/98/2000/WinNT系统 3.系统可以扩充到文件管理 4.为了更好地管理好档案，将正确分类 5.新的档案添加或修改时，可以挂接扫描仪 6.权限控制，增加了敏感信息的存储
上传时间： 2013-12-26
上传用户：磊子226
《三十六计》是一部奇书，是一部“谋略”大全。然而，这本书以文言写成，今天的读者一般很难理解，也就很难把这些计谋用在实际生活中。《商战三十六计》正是在介绍了《三十六计》原文的基础上，教你如何把它们运用于复杂多变的商战之中? ⑶蚁蚰闾峁┝艘桓龈鼍罹椎纳坛≌嚼? 商场就是战场，买卖就是用兵。 战场上硝烟弥漫，鲜血迸溅；商场上尔虞我诈，明争暗斗。 你想踏入商海，做个时代的弄潮儿吗？你想生意兴隆、财源广进吗？ 那么，你就要将自己培养成敏感、聪慧、成熟的善用计谋的“孙子”和“诸葛亮”式的人物。 当今社会商品如潮，发财机会普遍存在，有实力的能够日进斗金，没资金的亦能白手起家。同样的环境，就看你怎样施展自己的本领。 《商战三十六计》不但能使你在商场上深谋远虑，进退自如，见风使舵，抓住一个个商机，还能使你掌握现代经营管理技能，成为21世纪的富豪。
标签：
上传时间： 2015-06-15
上传用户：小儒尼尼奥
这是关于最有控制和鲁棒控制几乎最好的书，内容自包含，非常经典。 本书阐述了当代鲁棒与最优控制的主要和基本的内容，其中包含了作者对该理论作出的重要贡献。 全书共为二十一章。第一章为绪论；第二章是阅读本书的数学基础；第三章为线性系统理论基础；第四章定义了信号的范数以及稳定系统的输入——输出增益；第五章论述了反馈结构的稳定性和性能特征；第六章引入了Bode敏感积分关系和Poisson积分公式在多变量时的形式；第七章讨论了用平衡截断法对线性多变量系统进行降阶；第八章研究Hankel范数近似及其在范数模型降阶中的应用；第九章采用小增益定理对不同模型假设下的系统推导鲁棒稳定性检验；第十章引入线性分式变换（LFT）；第十一章研究了有多个不确定性源的系统鲁棒稳定性及性能。
上传时间： 2014-01-01
上传用户：731140412
LVQ算法( Learning Vector Quantization，学习矢量量化网络)是一种基于模型（神经网络）的方法，本实验要实现的是对LVQ改进的聚类方法——MLVQ（闫德勤等人提出）。该方法克服了LVQ算法对初值敏感的问题和广义学习矢量量化(GLVQ)网络算法性能不稳定的缺点。(附文章)
标签： Quantization Learning Vector LVQ
上传时间： 2015-08-31
上传用户：youke111
