网站首页

TMS320C6416原理图、外设程序、所有相关文档资源包

于 2021-05-06 发布

 0  860

下载积分: 1 下载次数: 1

我要下载

代码说明：

该资源包里面包含了TMS32C6416的开发板原理图、所有外设接口的源程序、所有6416的文档、所有外设芯片的数据手册，并介绍了如何安装下载器驱动。除了如何使用CCS软件外，该资源包完全可以满足初学者的所有资料需求！非常强大！

下载说明：请别用迅雷下载，失败请重下，重下不扣分！

发表评论

0 个回复

C#远程屏幕监控含源码
非常实用的远程屏幕监控含源码，可用来直接使用也可以用来学习研究

2020-12-04下载

积分：1
智能门锁方案
【实例简介】质料中包括智能门锁外围驱动的原理及其代码，外围驱动包括（指纹识别、屏幕、蓝牙4.2、IC卡等等）

2021-10-31 00:34:33下载

积分：1
最小二乘椭圆拟合matlab
提供了基于最小二乘法的椭圆拟合matlab仿真程序

2020-12-06下载

积分：1
COMSOL高级网格划分
COMSOL是一款用于多物理场模拟的软件，这份文档介绍了一些关于COMSOL网格划分的内容

2020-12-11下载

积分：1
直序列扩频通信系统Simulink仿真
使用Simulink仿真平台对直序列扩频通信系统进行仿真

2020-12-01下载

积分：1
基于OpenCV多目标的模板匹配算法
基于OpenCV多目标的模板匹配算法,可以从一副大图像中搜索出与模板相似的多个目标区域...

2021-05-06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
matlab各种数据分析处理模型算法代码
利用matlab实现的各种线性规划、动态规划、回归分析、微分方程求解等算法和模型

2020-12-04下载

积分：1
Simulink建模仿真实例详解
Simulink建模仿真实例详解一书详细讲解simulink建模仿真技术和方法，适合快速入门simulink建模。动态系统的计算机仿真系统与模型系统系统只指具有某些特定功能、相互联系、相互作用的元素的集合。这里的系统是指广义上的系统,泛指自然界的一切现象与过程,例如工程系统如控制系统、通讯系统等,非工程系统如股市系统、交通系统、生物系统等。系统模型系统模型是对实际系统的一种抽象,是对系统本质(或是系统的某种特性)的一种描述。模型具有与系统相似的特性。好的模型能够反映实际系统的主要特征和运动规律。模型可以分为实体模型和数学模型实体模型又称物理效应模型,是根据系统之间的相似性而建立起来的物理模型,如建筑模型等。数学模型包括原始系统数学模型和仿真系统数学模型。原始系统数学模型是对系统的原始数学描述。仿真系统数学模型是一种适合于在计算机上演算的模型,主要是指根据计算机的运算特点、仿真方式、计算方法、精度要求将原始系统数学模型转换为计算机程序。静态系统模型动态系统模型连续系统模型离散系统模型代数方程集中参数分布参数差分方程微分方程偏微分方程计算机仿真仿真的概念仿真是以相似性原理、控制论、信息技术及相关领域的有关知识为基础,以计算机和各种专用物理设备为工具,借助系统模型对真实系统进行试验的一门综合性技术。仿真分类()实物仿真:又称物理仿真。是指研制某些实体模型,使之能够重现原系统的各种状态。早期的仿真大多属于这一类优点:直观,形象,至今仍然广泛应用。缺点:投资巨大、周期长,难于改变参数,灵活性差()数学仿真:是用数学语言去描述一个系统,并编制程序在计算机上对实际系统进行研究的过程。优点:灵活性高,便于改变系统结构和参数,效率高(可以在很短时间内完成实际系统很长时间的动态演变过程),重复性好缺点:对某些复杂系统可能很难用数学模型来表达,或者难以建立其精确模型,或者由于数学模型过于复杂而难以求解()半实物仿真:又称数学物理仿真或者混合仿真。为了提高仿真的可信度或者针对一些难以建模的实体,在系统研究中往往把数学模型、物理模型和实体结合起来组成一个复杂的仿真系统,这种在仿真环节中存在实体的仿真称为半物理仿真或者半物理仿真,如飞机半实物仿真等。计算机仿真计算机仿真是在研究系统过程中根据相似性原理,利用计算机来逼真模拟研究系统。研究对象可以是实际的系统,也可以是设想中的系统。在没有计算机以前,仿真都是利用实物或者它的物理模型来迸行研究的,即物理仿真。物理仿真的优点是直接、形象、可信,缺点是模型受限、易破坏、难以重用。计算机仿真可以用于研制产品或设计系统的全过程,包括方案论证、技术指标确定、设计分析、故障处理等各个阶段。如训练飞行员、宇航员的方针工作台和仿真机舱等。仿真的三要素计算机仿真的三个基本要素是系统、模型和计算机,联系着它们的三项基本活动是模型建立、仿真模型建立(又称二次建模)和仿真试验。数学仿真采用数学模型,用数学语言对系统的特性进行描述,其工作过程是:建立系统的数学模型●建立系统仿真模型,即设计算法,并转化为计算机程序,使系统的数学模型能为计算机所接受并能在计算机上运行;运行仿真模型,进行仿真试验,再根据仿真试验的结果进步修正系统的数学模型和仿真模型与建模仿真是一种用来实现计算机仿真的软件工具。它是的一个附加组件,可用于实现各种动态系统(包括连续系统、离散系统和混合系统)的建模、分析和仿真。特点:易学易用,能够依托提供的丰富的仿真资源的应用领域()通讯与卫星系统;()航空航天系统;()生物系统;()船舶系统;()汽车系统;()金融系统;()控制系统。应用举例(原教材例子)在命令窗口中输入右图所示的模型用来口口口口模拟双质量一弹簧系统在光滑平面上受个周期力情况下的运动状态,其中周期力只作用在左边的质量块上。

2021-05-06下载

积分：1
kmeans+PSO
matlab代码，以IRIS数据集为输入，用kmeans+PSO对其进行聚类，效果比kmeans好，可以绘制聚类图，并动态显示粒子运动轨迹。

2020-06-03下载

积分：1

696518资源总数
105531会员总数
4今日下载

TMS320C6416原理图、外设程序、所有相关文档资源包

0 个回复

热门标签

热门下载