自组织特征映射网络matlab 的仿真 供大家分享~
上传时间： 2014-11-26
上传用户：曹云鹏
近年来，嵌入式Internet远程测控系统已成为计算机控制领域一个重要组成部分，它将计算机网络、通信与自动控制技术相结合并成为新兴的研究热点。通过嵌入式Internet控制系统，用户只要在有网络接入的地方，就可以对与网络连接的任何现场设备进行远程测控。嵌入式系统可以根据应用进行软硬件的定制，特别适用于对成本、体积、功耗有严格要求的各种远程测控设备。该项技术的研究具有广阔的应用前景。 嵌入式Web远程监控不同于以往的C/S和B/S网络监控技术，它通常采用嵌入式系统作为Web服务器，使得系统的成本大大降低，且设备体积小巧，便于安装、易于维护，安全可靠，此技术自问世以来得到了业界的广泛关注，各式各样的解决方案和实现方式层出不穷。 本文提出了一种基于ARM的嵌入式网络控制系统。该系统以嵌入式Boa服务器作为远程信号的传输平台。首先对网络的系统结构和工作原理作了详细介绍，然后对嵌入式网络控制系统的实现作了深入的探讨和研究。 整个嵌入式网络控制系统主要划分为三个部分：嵌入式网络控制系统硬件设计；嵌入式网络控制器的软件设计；嵌入式网络控制系统Web服务器实现。系统选用主流的ARM微处理器LPC2210作为系统主控制器，并根据需要给出了具体的硬件电路设计，包括：存储器接口电路、网络接口电路、串行通信接口电路以及信号调理电路设计。鉴于μ Clinux对ARM技术的有力支持，且μ Clinux具有内核可裁减、网络功能强大、低成本、代码开放等特点，通过对μ Clinux的裁减、配置和编译，成功地将μ Clinux移植到LPC2210中。然后完成设备驱动开发、嵌入式网络控制系统Boa服务器的构建及系统应用开发。 该嵌入式网络控制系统融合监控网与信息网，实现了远程分布式测控和通讯。系统稳定性高、实时性好、性价比高，具有广泛的应用价值，适用于工业、交通、电力、能源等众多控制领域。
上传时间： 2013-06-13
上传用户：牛津鞋
自组织 Kohonen 映射程序，当一个神经网络接受外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布。最邻近的神经元互相刺激，而较远的神经元则相互抑制，更远一些的则具有较弱的刺激作用。自组织特征映射法是一种无教师的聚类方法。
上传时间： 2014-01-07
上传用户：hn891122
清华大学数据结构课上实现的B+树，设计一个4阶B+树，包括： (1) 叶子的每个记录应该包括4字节（long）关键码值和60字节的数据字段(存储文件名等，可以自定)，设每个叶子可以存储5条记录，而内部节点应该是关键码值/指针对。此外，每个节点还应该有指向同层下一个节点的指针、本节点存储的关键码数等； (2) 此4阶B+树应该支持插入、删除以及根据给定关键码值进行精确检索与关键码范围检索； (3) 显示（打印）此4阶B+树的生长(含删除节点)过程实例；
上传时间： 2014-08-05
上传用户：ywqaxiwang
开发环境:Matlab 简要说明:自组织特征映射模型(Self-Organizing feature Map)，认为一个神经网络接受外界输入模式时，将会分为不同的区域，各区域对输入模式具有不同的响应特征，同时这一过程是自动完成的。各神经元的连接权值具有一定的分布。最邻近的神经元互相刺激，而较远的神经元则相互抑制，更远一些的则具有较弱的刺激作用。自组织特征映射法是一种无教师的聚类方法。
标签： Self-Organizing feature Matlab Map
上传时间： 2015-03-19
上传用户：杜莹12345
Kohonen的SOFM(自组织特征映射)：这种算法部分收到生物特征影响，在网络输出层内按几何中心或特征进行聚类。
上传时间： 2015-03-22
上传用户：450976175
SOFM(自组织特征映射)：这种算法部分收到生物特征影响，在网络输出层内按几何中心或特征进行聚类。
上传时间： 2014-01-18
上传用户：hphh
a.本系统是学校教材科内部的一个教材订购系统,实现教材的销售和采购。 b.本项目有学校教材科提出,由老师委托我小组开发,开发人员包括: 组长兼系统分析员：AAA、系统设计员：BBB、程序设计员：CCC、数据库管理员：DDD、数据操作员：EEE.统最终用户为教材科,由教材科提供计算网络。 c.该系统还和学校财务科进行资金数据来往,.由本系统向财务处提供销售情况,实行教材的安全发放和采购.并顺便和各书店联营向个别人员单独售书。
上传时间： 2015-04-25
上传用户：baitouyu
车牌定位－－－VC++源代码程序 1.24位真彩色->256色灰度图。 2.预处理:中值滤波。 3.二值化:用一个初始阈值T对图像A进行二值化得到二值化图像B。 初始阈值T的确定方法是:选择阈值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分别是最高、最低灰度值。 该阈值对不同牌照有一定的适应性,能够保证背景基本被置为0,以突出牌照区域。 4.削弱背景干扰。对图像B做简单的相邻像素灰度值相减,得到新的图像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左边缘直接赋值,不会影响整体效果。 5.用自定义模板进行中值滤波 区域灰度基本被赋值为0。考虑到文字是由许多短竖线组成,而背景噪声有一大部分是孤立噪声,用模板(1,1,1,1,1)T对G进行中值滤波,能够得到除掉了大部分干扰的图像C。 6.牌照搜索:利用水平投影法检测车牌水平位置,利用垂直投影法检测车牌垂直位置。 7.区域裁剪,截取车牌图像。
上传时间： 2013-11-26
上传用户：懒龙1988
B.Aazhang写的一篇论文，第一次提出了神经网络如何在应用多用户检测中。
上传时间： 2015-07-17
上传用户：ljmwh2000
