采用单神经元结构对两类样本进行分类，其中X为输入样本，T为目标向量。X=[-0.5,-0.5,0.3,0.1,-0.1,0.8,0.2,0.3 0.3,-0.2,-0.6,0.1,-0.5,1.0,0.3,0.9] T=[0,0,0,1,0,1,1,1]
上传时间： 2013-12-18
上传用户：xc216
算术编码解码！具体的数据， 假设信源符号为{00, 01, 10, 11}，这些符号的概率分别为{ 0.1, 0.4, 0.2, 0.3 }，根据这些概率可把间隔[0, 1)分成4个子间隔：[0, 0.1), [0.1, 0.5), [0.5, 0.7), [0.7, 1)，其中 表示半开放间隔，即包含 不包含 。上面的信息可综合在表1中。 表1 信源符号，概率和初始编码间隔 符号 00 01 10 11 概率 0.1 0.4 0.2 0.3 初始编码间隔 [0, 0.1) [0.1, 0.5) [0.5, 0.7) [0.7, 1) 如果二进制消息序列的输入为：10 00 11 00 10 11 01。编码时首先输入的符号是10，找到它的编码范围是[0.5, 0.7)。由于消息中第二个符号00的编码范围是[0, 0.1)，因此它的间隔就取[0.5, 0.7)的第一个十分之一作为新间隔[0.5, 0.52)。依此类推，编码第3个符号11时取新间隔为[0.514, 0.52)，编码第4个符号00时，取新间隔为[0.514, 0.5146)，… 。消息的编码输出可以是最后一个间隔中的任意数。
上传时间： 2014-01-03
上传用户：cooran
调用方法简单,支持if else include之类的标签, 可以包含扩展函数,整个模版文件没有外部include和require,减少io操作, 加载三个模版变量,两个数组变量,比smarttemplate快平均2-3毫秒. 单纯加载模版文件,不设置任何变量lightemplate平均0.3毫秒左右,smarttemplate至少要1毫秒.
标签： include require smartte else
上传时间： 2017-08-03
上传用户：大融融rr
我写的php模版类,调用方法简单,支持if else include之类的标签, 可以包含扩展函数,整个模版文件没有外部include和require,减少io操作, 加载三个模版变量,两个数组变量,比smarttemplate快平均2-3毫秒. 单纯加载模版文件,不设置任何变量lightemplate平均0.3毫秒左右,smarttemplate至少要1毫秒.
上传时间： 2014-01-15
上传用户：linlin
调用方法简单，支持if else include之类的标签，可以包含扩展函数，没有引入外部文件，减少了io操作，比smarttemplate快了平均2-3毫秒，单纯加载模版文件，不设置任何变量lightemplate平均0.3毫秒左右，smarttemplate至少要1毫秒。
标签：
上传时间： 2014-01-10
上传用户：zm7516678
设计一个数字FIR低通滤波器，其技术指标如下：Wp=0.2 Rp=0.25 Ws=0.3 As=50
上传时间： 2014-01-23
上传用户：JIUSHICHEN
网络硬盘该系统是一个性能可靠，方便用户，并且可以在线编辑文件及好友管理的网络硬盘管理系统。统部署环境： 1.windows server 2003 IIS6.0 2.Microsoft Frameowork2.0 3.Microsoft Sqlserver2005
上传时间： 2014-01-15
上传用户：yzhl1988
CJX2-09/95交流接触器参数检测系统
标签： 交流接触器触点参数测试程序
上传时间： 2015-04-29
上传用户：Shylock2121
本文档为 UP-CUP S2440 型嵌入式教学实验平台配套实验说明。所述实验内容仅限 UP-CUPS2440 型教学实验平台使用。
标签： UP-CUP2440实验指导书(LINUX)V2.0 20110818
上传时间： 2015-06-14
上传用户：tjujfc
% 生成训练样本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %输入矢量的取值范围矩阵 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神经网络， 12个隐层神经元，4个输出神经元 %tranferFcn属性 'logsig' 隐层采用Sigmoid传输函数 %tranferFcn属性 'logsig' 输出层采用Sigmoid传输函数 %trainFcn属性 'traingdx' 自适应调整学习速率附加动量因子梯度下降反向传播算法训练函数 %learn属性 'learngdm' 附加动量因子的梯度下降学习函数 net.trainParam.epochs=1000;%允许最大训练步数2000步 net.trainParam.goal=0.001; %训练目标最小误差0.001 net.trainParam.show=10; %每间隔100步显示一次训练结果 net.trainParam.lr=0.05; %学习速率0.05 bpnet=train(bpnet,P,T); %------------------------------------------------------------------------- p=[110 1.318 300 0.1 15 2 18 1 2]; p=p'/m; r=sim(bpnet,p); R=r'*n; display(R);
上传时间： 2016-05-28
上传用户：shanqiu
