本书简要介绍了Verilog硬件描述语言的基础知识，包括语言的基本内容和基本结构，以及利用该语言在各种层次上对数字系统的建模方法。
书中列举了大量实例，帮助读者掌握语言本身和建模方法，对实际数字系统设计也很有帮助。
第3版中添加了与Verilog2001有关的新内容。
本书是VerilogHDL的初级读本，可作为计算机、电子、电气及自控等专业相关课程的教材，也可用作相关科研人员的参考书。
书中列举了大量实例，帮助读者掌握语言本身和建模方法，对实际数字系统设计也很有帮助。
第3版中添加了与Verilog2001有关的新内容。
本书是VerilogHDL的初级读本，可作为计算机、电子、电气及自控等专业相关课程的教材，也可用作相关科研人员的参考书。
2024/10/18 4:36:15
4.74MB
1
本文档适合刚接触Anylogic建模工具的初学者，用最经典的建模例子帮助初学者掌握基本的建模方法，建模思想。
快速入门，本文档可以和BigBook中文案例精选相结合。
快速入门，本文档可以和BigBook中文案例精选相结合。
2024/9/24 12:08:23
9.54MB
1
在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
2024/9/16 15:29:46
5.33MB
1
这是一本电力电子小信号建模方法的书籍，主要讲述了关于常用的DC-DC的小信号建模方法
2024/9/15 13:25:07
53.56MB
1
RDBMS到MongoDB迁移白皮书-涵盖了将数据从RDBMS移至MongoDB时的最佳实践和注意事项MongoDB现代化记分卡-使用它来确定哪些现有的旧版应用程序适合迁移到MongoDB实践Medical_Claims_RDBMS_ERD和Medical_Claims_MongoDB-此方案适用于向其保险公司索赔住院费用的患者-此用例的RDBMS架构和MongoDB架构均已随附-这提供了MongoDB和RDBMS的比较数据表示完整的数据建模方法-此演示文稿将指导您完成MongoDB支持的多种数据模型
46.77MB
1
本篇文章承接上两篇篇文章：系统建模这里如果按照书中的方法同样需要做很多的工作，包括：概念用例系统用例视图系统用例规约补充规约业务规则系统用例实现系统用例场景
2024/7/30 19:49:18
437KB
1
为实现对双陷波超宽带(UWB)天线的精准神经网络建模,提出了一种利用改进的果蝇算法(FOA)优化广义回归神经网络(GRNN)的建模方法。
该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。
这样可以避免果蝇算法陷入局部最优,提高模型预测精度。
将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。
结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。
该方法通过扩大果蝇搜索范围,在味道判定公式中引入调整项来实现果蝇算法的改进,并用改进后的果蝇算法优化GRNN的光滑因子。
这样可以避免果蝇算法陷入局部最优,提高模型预测精度。
将该方法用于双陷波超宽带天线模型的建立中,并对天线的S11参数和电压驻波比VVSWR参数进行预测。
结果表明,相比于FOA-GRNN建模方法和GRNN建模方法,S11参数的最大相对误差分别减小了91.08%和99.14%;VVSWR参数的最大相对误差分别减小了98.36%和99.18%,使超宽带天线建模精度得到提高,验证了该方法的可行性。
2024/6/7 21:23:22
2.7MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB