20200723取消所需积分基于元胞自动机的交通网（也就是路网的模拟，而非一条路）模拟，本来是为了解决数模国赛2016B题编写的程序。
除基本车辆行驶，加减速等功能外。
本程序已实现：红绿灯，自定地图（通过矩阵），交叉口随机转向等。
尚未实现：多车道（主要是多车道交叉口较难处理，但在本程序的基础上做以修改应该可以实现）
除基本车辆行驶，加减速等功能外。
本程序已实现：红绿灯，自定地图（通过矩阵），交叉口随机转向等。
尚未实现：多车道（主要是多车道交叉口较难处理，但在本程序的基础上做以修改应该可以实现）
2024/5/3 9:14:31
10KB
1
【OpenGL】十、OpenGL绘制点(初始化OpenGL矩阵|设置投影矩阵|设置模型视图矩阵|绘制点|清除缓冲区|设置当前颜色值|设置点大小|绘制点)https://hanshuliang.blog.csdn.net/article/details/112761672博客源码快照
2024/4/29 15:20:08
17.41MB
1
通过对硬件编程，将图形、文字、动画存储在E2PROM中，通过计数器控制图形、文字、动画的地址，在利用显示矩阵显示出来。
系统所显示的内容可反复循环，直至手动或加压清零，便可回到初始地址。
系统所显示的内容可反复循环，直至手动或加压清零，便可回到初始地址。
2024/4/26 22:12:46
400KB
1
针对间接四脚矩阵变换器，提出了一种采用自适应滑模反步控制的新方法。
由于输入滤波器和矩阵转换器之间的相互作用，它对于不确定的负载和控制输入干扰具有鲁棒性。
在不平衡和非线性负载下分析输入电流，这有助于设计合适的输入滤波器以衰减流入电网的谐波。
基于可变周期载波的调制被引入到间接四脚矩阵转换器中，这使其更易于实现。
仿真和实验结果均证明了该方法的可行性。
？2010IEEE。
由于输入滤波器和矩阵转换器之间的相互作用，它对于不确定的负载和控制输入干扰具有鲁棒性。
在不平衡和非线性负载下分析输入电流，这有助于设计合适的输入滤波器以衰减流入电网的谐波。
基于可变周期载波的调制被引入到间接四脚矩阵转换器中，这使其更易于实现。
仿真和实验结果均证明了该方法的可行性。
？2010IEEE。
2024/4/25 16:01:04
1.52MB
1
为提高微波滤波器的设计效率，本文提出了一种基于耦合矩阵修正和空间映射法的滤波器快速设计方法。
利用空间映射的思想，将滤波器最佳尺寸的求解问题转换成耦合矩阵的逼近问题，并逐步修正耦合矩阵的值。
最后应用HFSS设计了一款六腔同轴滤波器，在初值很不好的情况下，经过6次迭代即可几乎得到理想响应对应的最佳尺寸，仿真结果良好，从而证明了此优化方法的快速，可行，高效。
利用空间映射的思想，将滤波器最佳尺寸的求解问题转换成耦合矩阵的逼近问题，并逐步修正耦合矩阵的值。
最后应用HFSS设计了一款六腔同轴滤波器，在初值很不好的情况下，经过6次迭代即可几乎得到理想响应对应的最佳尺寸，仿真结果良好，从而证明了此优化方法的快速，可行，高效。
2024/4/24 20:22:26
5.35MB
1
一般的空间模式(CSP)是一种在脑-机接口(BCIs)背景下对脑电图(EEG)信号进行分类的流行算法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
本文介绍了一种小样本环境中CSP的正则化和聚合技术。
常规算法基于基于样本的协方差矩阵估计。
因此，如果训练样本的数量很少，其性能就会下降。
为了解决这一问题，提出了一种正则化的CSP(R-CSP)算法，该算法通过两个参数对协变矩阵估计进行正则化，从而降低估计方差，同时减小估计偏差。
为了解决正则化参数确定的问题，进一步提出了聚合(R-CSP-A)的R-CSP，并将一些R-CSP聚合在一起，给出了一个基于集合的解决方案。
提出了一种基于BCI竞争三种竞争算法的数据集IVa的算法。
实验表明，在SSS（小样本环境）中，R-CSP-A的平均分类性能明显优于其他方法。
2024/4/24 0:29:52
1.73MB
1
电子科技大学矩阵理论的课件和期末考试试题，包括复习课件，以及2003年到2014年矩阵期末考试的试题和答案，且包括最新的矩阵理论2017-2018学年期末考试试题。
2024/4/23 0:20:54
12.28MB
1
编码：functionoutput=cnv_encd(G,k0,input)%cnv_encd(G,k0,input),k0是每一时钟周期输入编码器的bit数，%G是决定输入序列的生成矩阵，它有n0行，L*k0列。
n0是输出bit数，%参数n0和L由生成矩阵G导出，L是约束长度。
L之所以叫约束长度%是因为编码器在每一时刻里输出序列不但与当前输入序列有关，%而且还与编码器的状态有关，这个状态是由编码器的前(L-1)k0。
%个输入决定的,通常卷积码表示为(n0,k0,m)，m=(L-1)*k0是编码%器中的编码存贮个数，也就是分为L-1段，每段k0个%有些人将m=L*k0定义为约束长度，有的人定义为m=(L-1)*k0%查看是否需要补0，输入input必须是k0的整数倍译码：functiondecoder_output=viterbi_decoder(G,k,channel_output)
n0是输出bit数，%参数n0和L由生成矩阵G导出，L是约束长度。
L之所以叫约束长度%是因为编码器在每一时刻里输出序列不但与当前输入序列有关，%而且还与编码器的状态有关，这个状态是由编码器的前(L-1)k0。
%个输入决定的,通常卷积码表示为(n0,k0,m)，m=(L-1)*k0是编码%器中的编码存贮个数，也就是分为L-1段，每段k0个%有些人将m=L*k0定义为约束长度，有的人定义为m=(L-1)*k0%查看是否需要补0，输入input必须是k0的整数倍译码：functiondecoder_output=viterbi_decoder(G,k,channel_output)
2024/4/21 15:35:36
4KB
1
将原始信号按照一定的规则进行重新组合，构成多向数据矩阵，利用多向主元分析方法将数据投影到主成分空间，实现信号的多层次分解。
对人脸RGB图像及某模拟电路的一维输出信号进行了处理。
结果表明，这种处理方法可很好地实现异常特征的空/时。
域定位及可视化校正，校正出的图像可更好地显示皮肤纹理特征，校正出的一维信号则可更突出地反射原始信号中干扰信号的位置及时域特征。
对人脸RGB图像及某模拟电路的一维输出信号进行了处理。
结果表明，这种处理方法可很好地实现异常特征的空/时。
域定位及可视化校正，校正出的图像可更好地显示皮肤纹理特征，校正出的一维信号则可更突出地反射原始信号中干扰信号的位置及时域特征。
2024/4/20 16:17:21
3.29MB
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