-
Visio 模具大全
Visio网络拓扑图大全模具（含Cisco、IBM等常用拓扑图标），无毒，绿色的，很实用
- 2020-12-06下载
- 积分：1
-
基于STM32F103RBT6 的CAN双机通讯成功案例工程下载
硬件平台：STM32F103RBT6 此程序稍作修改可以用于F103全系列。功能：双机通讯，通过USB-CAN分析仪收发即可以调试。当然，如果你手头有两块STM32的开发板或是电路板，也可以实验。 使用Keil uVision 4编译即可实验。注意：我使用的电路板，里面CAN的引脚采用默认的，不是remap的，如果你的开发板或是电路板是remap的，先remap后使用。详细请参考代码。（1）烧写主机程序，上电后，会在串口打印出信息。串口设置：115200 N 8 1（2）通过CAN分析仪，连接好线，CANH与CANL，然后设置通讯的波特率。目前为1Mbps 3
- 2020-12-06下载
- 积分：1
-
学生考勤管理系统源代码
学生考勤管理系统，实现学生的考勤情况，包括记录学生缺课情况，查询、修改、删除学生缺课记录以及统计某时间段内旷课情况
- 2020-12-05下载
- 积分：1
-
用NTC热敏电阻做温度采集
实现NTC热敏电阻器对温度的测量。热敏电阻器把温度的变化转换为电阻阻值的变化
- 2021-05-07下载
- 积分：1
-
多目标检测程序----基于霍夫变换的多行人检测程序.zip
【实例简介】基于霍夫变换的多目标检测，主要是行人检测，霍夫变换，随机森林分类。
- 2021-12-13 00:48:21下载
- 积分：1
-
【PDF】《Machine learning A Probabilistic Perspective》 MLAPP；by Kevin Murphy
完整版，带目录，机器学习必备经典；大部头要用力啃。Machine learning A Probabilistic PerspectiveMachine LearningA Probabilistic PerspectiveKevin P. MurphyThe mit PressCambridge, MassachusettsLondon, Englando 2012 Massachusetts Institute of TechnologyAll rights reserved. No part of this book may be reproduced in any form by any electronic or mechanicalmeans(including photocopying, recording, or information storage and retrieval)without permission inwriting from the publisherFor information about special quantity discounts, please email special_sales@mitpress. mit. eduThis book was set in the HEx programming language by the author. Printed and bound in the UnitedStates of AmLibrary of Congress Cataloging-in-Publication InformationMurphy, Kevin Png:a piobabilistctive/Kevin P. Murphyp. cm. -(Adaptive computation and machine learning series)Includes bibliographical references and indexisBn 978-0-262-01802-9 (hardcover: alk. paper1. Machine learning. 2. Probabilities. I. TitleQ325.5M872012006.31-dc232012004558109876This book is dedicated to alessandro, Michael and stefanoand to the memory of gerard Joseph murphyContentsPreactXXVII1 IntroductionMachine learning: what and why?1..1Types of machine learning1.2 Supervised learning1.2.1Classification 31.2.2 Regression 83 Unsupervised learning 91.3.11.3.2Discovering latent factors 111.3.3 Discovering graph structure 131.3.4 Matrix completion 141.4 Some basic concepts in machine learning 161.4.1Parametric vs non-parametric models 161.4.2 A simple non-parametric classifier: K-nearest neighbors 161.4.3 The curse of dimensionality 181.4.4 Parametric models for classification and regression 191.4.5Linear regression 191.4.6Logistic regression1.4.7 Overfitting 221.4.8Model selection1.4.9No free lunch theorem242 Probability2.1 Introduction 272.2 A brief review of probability theory 282. 2. 1 Discrete random variables 282. 2.2 Fundamental rules 282.2.3B292. 2. 4 Independence and conditional independence 302. 2. 5 Continuous random variable32CONTENTS2.2.6 Quantiles 332.2.7 Mean and variance 332.3 Some common discrete distributions 342.3.1The binomial and bernoulli distributions 342.3.2 The multinomial and multinoulli distributions 352. 3.3 The Poisson distribution 372.3.4 The empirical distribution 372.4 Some common continuous distributions 382.4.1 Gaussian (normal) distribution 382.4.2Dte pdf 392.4.3 The Laplace distribution 412.4.4 The gamma distribution 412.4.5 The beta distribution 422.4.6 Pareto distribution2.5 Joint probability distributions 442.5.1Covariance and correlation442.5.2 The multivariate gaussian2.5.3 Multivariate Student t distribution 462.5.4 Dirichlet distribution 472.6 Transformations of random variables 492. 6. 1 Linear transformations 492.6.2 General transformations 502.6.3 Central limit theorem 512.7 Monte Carlo approximation 522.7.1 Example: change of variables, the MC way 532.7.2 Example: estimating T by Monte Carlo integration2.7.3 Accuracy of Monte Carlo approximation 542.8 Information theory562.8.1Entropy2.8.2 KL dive572.8.3 Mutual information 593 Generative models for discrete data 653.1 Introducti653.2 Bayesian concept learning 653.2.1Likelihood673.2.2 Prior 673.2.3P683.2.4Postedictive distribution3.2.5 A more complex prior 723.3 The beta-binomial model 723.3.1 Likelihood 733.3.2Prior743.3.3 Poster3.3.4Posterior predictive distributionCONTENTS3.4 The Dirichlet-multinomial model 783. 4. 1 Likelihood 793.4.2 Prior 793.4.3 Posterior 793.4.4Posterior predictive813.5 Naive Bayes classifiers 823.5.1 Model fitting 833.5.2 Using the model for prediction 853.5.3 The log-sum-exp trick 803.5.4 Feature selection using mutual information 863.5.5 Classifying documents using bag of words 84 Gaussian models4.1 Introduction974.1.1Notation974. 1.2 Basics 974. 1.3 MlE for an mvn 994.1.4 Maximum entropy derivation of the gaussian 1014.2 Gaussian discriminant analysis 1014.2.1 Quadratic discriminant analysis(QDA) 1024.2.2 Linear discriminant analysis (LDA) 1034.2.3 Two-claSs LDA 1044.2.4 MLE for discriminant analysis 1064.2.5 Strategies for preventing overfitting 1064.2.6 Regularized LDA* 104.2.7 Diagonal LDA4.2.8 Nearest shrunken centroids classifier1094.3 Inference in jointly Gaussian distributions 1104.3.1Statement of the result 1114.3.2 Examples4.3.3 Information form 1154.3.4 Proof of the result 1164.4 Linear Gaussian systems 1194.4.1Statement of the result 1194.4.2 Examples 1204.4.3 Proof of the result1244.5 Digression: The Wishart distribution4.5. 1 Inverse Wishart distribution 1264.5.2 Visualizing the wishart distribution* 1274.6 Inferring the parameters of an MVn 1274.6.1 Posterior distribution of u 1284.6.2 Posterior distribution of e1284.6.3 Posterior distribution of u and 2* 1324.6.4 Sensor fusion with unknown precisions 138
- 2020-12-10下载
- 积分：1
-
BP神经网络matlab实例(简单而经典).
BP神经网络matlab实例(简单而经典).BP网络的训练函数学习神经网络的好助手，可以仿照其中的代码，只需修改个别参数便可以轻易实现自己需要完成的任务。
- 2020-12-11下载
- 积分：1
-
蚁群算法实现的java源代码
实现的是一个蚁群算法，该算法可以用于启发式的任务资源调度，求解多目标非线性规划问题。
- 2020-11-29下载
- 积分：1
-
深度学习各种PDF书籍
包括吴恩达深度学习基础教程、斯坦福大学-深度学习基础教程、大数据，机器(深度）学习精品名师学习课程、《神经网络与深度学习》邱锡鹏等20本书，由于第一次在该网站上分享，差不多把这几年做deep learning搜集到的书籍都放了进去，本着相互分享学习的原则，设置的积分也比较少，相信不会让大家失望！
- 2021-05-07下载
- 积分：1
-
ADS设计低噪放的详细步骤
详细介绍了使用ADSS设计低噪声放大器的步骤，非常适合初学者使用，图文并茂，难度适宜。(二)实验内容了解微波低噪声放大器的工作原理使用ADS软件设计一个低噪声放大器,并对其参数进行优化、仿真■根据软件设计的结果绘制电路版图,并加工成电路板对加工好的电路进行调试,使其满足设计要求三)低噪声放大器的技术指标输入输出反射系数噪声系数放大器增益稳定系数■通带内的增益平坦度(四)用ADS软件设计低噪声放大器本节内容是介绍使用ADS软件设计低噪声放大器的方法:包括原理图绘制,电路参数的优化、仿真,版图的仿真等下面开始按顺序详细介绍用ADS软件设计低噪声放大器的方法1放大器设计的基本准备需要明确的概念S参数、放大器增益(平坦度)、噪声系数、噪声温度、动态范围、三阶交调与1dB压缩)Y稳定性、匹配需要学习的知识匹配电路有哪些形式对晶体管如何馈电And so on2.软件仿真中需要注意的几个问题要有好的软件设计习惯各种文件的命名电路的布局以及参数的设置和选择要有合理的设计顺序要记住你在使用的是软件物理概念要明确,不要在无意义的地方花时间比如:按照加工精度,有些线条太细是不能实现的,另外追求小数点后面N位的精确也是无聊的法高您毫中使用类的速用范围,:比如:小坛模羋就不能用来看≡阶>W,软件中的模型才是对的。等等。注意如何规划仿真,才能尽快得到需要的电路■要按照先局部后整体的优化,切忌直接全局优化,最好能够预先计算设置优化元件的初值。要注意仿真的数值稳定性,对于对参数以来敏感的仿真结果在最后制作的时候是很难实现的。适当的时候需要考虑改系统拓扑。养成不明白就多看看help的习惯2软件仿真中需要注意的几个问题仿真时模型的选择1晶体管■sp模型:属于小信号线性模型,模型中已经带有了确定的直流工作点,和在一定范围内的S参数,仿真时要注意适用范围。S模型只能得到初步的结果,对于某些应用来说已经足够,不能用来做大信号的仿真,或者直流馈电电路的设计,不能直接生成版图。大信号模型:可以用来仿真大、小信号,需要自行选择直流工作点,仿真时要加入馈电电路和电源带有封装的大信号模型可以用来生成版图2.软件仿真中需要注意的几个问题■仿真时模型的选择2集总参数元件电容、电阻、电感:在进行电路优化时,可以直接选用参数连续变化的模型,在系统设计最后,需要把这些优化过的元件替换为器件库中系列中的元件才是可以制作电路、生成版图的。替换时选择与优化结果相近的数值,替换后要重新仿真次,检验电路性能是否因此出现恶化。3ADS的使用启动软件后建立新的工程文件并打开原理图设计窗口Fle Edt Select wisw Insert Options Tools Layout Simulate windowDesimnGude Heb回倒0?小包型A到Lumped-Components黑山圖回翻‖Dc Feed O:BckEHOHI MI NLF01251375
- 2020-11-05下载
- 积分：1
