计算最优化网络节点传输路径的neural network 模型，测试通过4个nodes
上传时间： 2013-12-20
上传用户：xc216
SEED-VPM642的以太网接口的测试。主要是测试EMAC 与MDIO 的配置及使用，以及如何设置一个PHY设备和CSL 库中关于网络接口部分程序的应用。在此测试过程中，采用自闭环的方式完成的。
上传时间： 2017-01-07
上传用户：爱死爱死
程序实现的是二层BP网络,通过从文件中读入数据来构建网络,同时读入对应的样本进行学习,测试. ε=0.09 变量为max_error_tollerance forward_pass[]向前计算输出值 backward_pass[]向后调整权值
标签： max_error_tollerance forward_pass 0.09 程序
上传时间： 2017-03-17
上传用户：181992417
研究了多速率mesh网络中节点的吞吐量.:提出了多速率无线Mesh网络中节点吞吐量分析模型,用以分析在公平性保证条件下基于IEEE 802·11协 议构建的无线Mesh网络节点吞吐量.该模型计算出不同速率无线链路发送数据包的时间,寻找网络中单位时间 内完成数据包发送时间最大的瓶颈冲突域,根据瓶颈冲突域内负载流量速率得到节点吞吐量最大值.仿真结果表 明,该方法计算出的节点最大吞吐量与网络仿真结果一致,可以准确分析多速率无线Mesh网络节点吞吐量.
上传时间： 2014-07-09
上传用户：refent
北大的网络分布式教材,是我在北大读研的同学给我的，现在与大家分享一下。
上传时间： 2017-05-14
上传用户：2525775
该论文《基于LabVIEW的热电空调温度模糊控制系统的研究》是优秀硕士学位论文。 主要内容如下: 1.阐述了热电制冷的基本原理,并对热电制冷的热力学特性和极限工况进行了分析与计算。 2.根据热电空调的温度控制要求选取了适用于系统的模糊控制规则,并在LabVIEW环境下完成了对模糊控制器的设计并进行了输入输出性能测试。 3.在研究信号采集和调理技术的基础上,结合信号调理设备实现了在LabVIEW环境下热电空调温度监测子系统的软件设计。 4.完成了热电空调供电子系统的PWM直流斩波调压电路的设计及LabVIEW环境下硬件电路控制的程序设计 利用PSpice对PWM直流斩波调压电路进行了硬件...
上传时间： 2014-01-17
上传用户：BIBI
MATLAB工具箱的神经网络理论与应用程序源代码 丛爽编，国科学技术大学出版社,包括神经网络控制器设计程序以及性能测试仿真程序，竞争优化模糊标记程序等
上传时间： 2017-05-19
上传用户：lgnf
主要测试USB 连接并通过USB 接口控制SEED-DEC6713 上各种资源进行工作。由CY7C68001 兼容USB1.1 与USB2.0 标准，所以在一般的计算机上均能 进行USB 的调试。
上传时间： 2014-11-23
上传用户：duoshen1989
数据计算与神经系统系列，pdf格式，对神经网络的原理和编程实现有详细讲解。
标签： 数据计算
上传时间： 2013-12-21
上传用户：lanwei
论文-基于红外热成像技术的猪体温检测与关键测温部位识别63页摘要 实现猪体温测量自动化有利于实时监测猪的健康状况、母猪发情和排卵检测等 生理健康状况。本文采用红外热成像仪采集猪的红外热图像，引入化学计量学建模 方法建立体表温度、环境温度与直肠温度间的多元校正模型，同时提出两种关键测 温部位的自动检测方法。主要结论总结如下： (1)建立了母猪体表温度、环境温度与母猪体温之间的一元和多元线性回归模型。研 究发现， 9个身体区域提取的体表温度与直肠温度呈正相关(产O．34～0．68)，其中， 基于耳根区域体表温度平均值建立的一元回归方程效果最优，预测集相关系数RP与 均方根误差RMSEP分别为0．66和0．420C。全特征模型相比一元线性回归方程有更 好的预测效果，RP和RMSEP分别为0．76和O．370C。此外，应用特征选择方法LARS． Lasso确定了7个重要特征建立简化模型，其校正集和预测集的R分别为0．80和 0．80，RMSEs分别为0．30和0．350C。 (2)将卷积神经网络应用于生猪主要测温部位(眼睛和耳朵区域)的直接分割。利用 python构建了四种不同结构的卷积神经网络模型FCN一1 6s、FCN．8s、U．Net一3和U． Net．4。对比分析4种卷积神经网络模型的性能，结果表明U-Net．4网络结构的分割 效果最优，平均区域重合度最高为78．75％。然而，当计算设备的计算力不够时，可 以选用U．Net一3模型以达到较好的分割效果。 (3)提出猪只眼睛及耳根区域关键点的识别方法，将猪只主要测温部位的检测问题 转变为主要测温部位的定位问题。设计具有不同深度的卷积神经网络架构A．E，得 出架构E最优。且当Dropout概率设置为0．6时模型效果最好，验证集平均误差和 预测集平均误差分别为1．96％和2．65％。测试集单张猪脸关键点的预测误差小于5％ 和10％的比例分别为89．5％和97．4％。模型能够很好的定位猪脸关键点，用于猪只 体温测量。 本文采用红外热像仪测量母猪体表温度，通过化学计量学建模为非接触母猪直 肠温度测量提供了更准确、可靠的方法，同时提出两种关键测温部位的自动检测方 法，有助于实现母猪体温测量自动化，为生猪健康管理提供参考。
标签： 红外热成像技术
上传时间： 2022-02-13
上传用户：jiabin
