单片机上支持SD卡。SPI方式通讯，速度几十K
上传时间： 2013-12-24
上传用户：拔丝土豆
模式识别分类器的设计，此为K均值法源码，经调试通过。所用数据为标准IRIS。
上传时间： 2014-12-03
上传用户：源码3
各种分类器的工具包，包括贝叶斯分类器，k-means分类器等！
上传时间： 2016-10-04
上传用户：洛木卓
用prim算法实验最小生成树 本程序中用到函数adjg( )，此函数作用是通过接受输入的点数和边数，建立无向图。函数prg( )用于计算并输出无向图的邻接矩阵。函数prim( )则用PRIM算法来寻找无向图的最小生成树 定义了两个数组lowcost[max],closest[max]，若顶点k加入U中，则令lowcost[k]=0。 定义二维数组g[ ][ ]来建立无向图的邻接矩阵。
上传时间： 2016-10-07
上传用户：tonyshao
采用逆序法生成排列 从n个空位开始，从左到右吧这些位置标为1，2，……n。 1：由于在排列中要有 个整数在1的前面，因为必须把1放在位置号为 +1的位置上。 2：由于在排列中要有 个比2大的整数在2的前面，而且这些整数还没有被插进来，因此必须给这些数留出 个空位置，于是，把2放在第 +1的空位置上。 • • • K：（一般的一步）由于在排列中要有 个整数在k的前面，而且这些整数还没有被插进来，因此必须给这些数留出 个空位置。在本步骤开始时空位置的个数是n-(k-1)=n-k+1。我们把k放在从左边数的第（ +1）的空位置上。既然 ≤n-k，因此就有 +1≤n-k+1,从而这样一个空位置就被确定下来。 • • • N:把n放在剩下的一个空位置上
标签：
上传时间： 2013-12-15
上传用户：独孤求源
该文设计的 D S P最小系统可应用于教学，本科生通过在此硬件平台上实现 F S K的调 制及 F I R滤波器的实现两个实验，可以掌握 D S P硬件调试方法，增加对 D S P开发过程，以及 D S P基本 算 法 实现 的理 解。文 中所 设计 的 D S P最 小 系统 由 T I公 司 的定 点 D S P芯 片 T MS 3 2 0 V C 5 4 0 2及其相关电源和时钟电路 、片外扩展存储 器、A ／ D、D ／ A、标准 U A R T接 口构成
上传时间： 2016-10-09
上传用户：caozhizhi
约瑟夫环 已知n个人（以编号1，2，3...n分别表示）围坐在一张圆桌周围。从编号为k的人开始报数，数到m的那个人出列；他的下一个人又从1开始报数，数到m的那个人又出列；依此规律重复下去，直到圆桌周围的人全部出列。（有详细注解）数据结构学习的好例子
标签：
上传时间： 2016-10-12
上传用户：wxhwjf
pic单片机 DB4~DB7：在L CD中的作用，为数据线，DB0~DB2接地，DB3接高电平以完成对液晶的初始化。本Demo例子程序中，与单片机的RB2~RB5连接，用户使用其他的管腿时，只需修改#define部分。 RS为数据、指令控制线，与单片机的RB1连接，当RS为高电平时对LCD模块数据寄存器操作，当RS为低电平时对LCD模块指令寄存器操作； E为读写使能控制线，与单片机的RA5连接，每当E线向LCD模块发送一个正脉冲，LCD模块与单片机之间将进行一次数据交换； A、K分别是LCD模块背光的正负电源引脚，1-1所示，我们将用RC2控制背光，改变R29的值将改变背光亮度 R/W为读写选择线，在ICD2DEMO教学实验板中，R/W线接地，只做对LCD模块的写操作
上传时间： 2014-01-08
上传用户：问题问题
ClustanGraphics聚类分析工具。提供了11种聚类算法。 Single Linkage (or Minimum Method, Nearest Neighbor) Complete Linkage (or Maximum Method, Furthest Neighbor) Average Linkage (UPGMA) Weighted Average Linkage (WPGMA) Mean Proximity Centroid (UPGMC) Median (WPGMC) Increase in Sum of Squares (Ward s Method) Sum of Squares Flexible (ß space distortion parameter) Density (or k-linkage, density-seeking mode analysis)
标签： ClustanGraphics Complete Neighbor Linkage
上传时间： 2014-01-02
上传用户：003030
文中设计了一个3层径向基神经网络(RBFN)用于对企业的5项评价指标进行聚类分析，并与蚁群算法做了比较分析。RBFN由输入层 到隐含层采用传统的K一均值算法，隐含层到输出层通过“模2递减”学习速率的BP学习；蚁群算法根据信息素的分配能够自动调整收索 路径，从而达到数据自动聚类的目的。结果表明，与蚁群算法相比，改进RBFN具有快速收敛、自动识别奇异样本的优点，而蚁群算法 无须教师学习，并能够达到全局最优。
上传时间： 2013-12-15
上传用户：txfyddz
