数据库中关于关系模式的知识,涉及到模块分解以及相关定义性质,还有算法练习,内涵公理系统的有效性已经相应的推理规则,适合初学者以及数据库爱好者学习,有效掌握数据库关系模式这一块的知识
2024/4/23 19:07:13 1.34MB 数据库 关系模式 模式分解
1
     在模糊Petri网应用研究中,普遍存在模糊token由专家直接给出或主观假定的问题。
基于这种情况,提出了通过模糊统计法来获得库所的模糊token,为成功应用模糊Petri网理论创造了条件。
给出了计算模糊token的通用形式化算法。
实例论证了模糊统计法在求取模糊token时的可行性与有效性。
1
光伏发电作为解决传统能源枯竭和环境污染的重要途径,正成为世界新能源发展的焦点。
本文从家庭并离网一体光伏发电系统的实际应用出发,提出了一种针对性的能量管理策略。
该能量管理策略可根据光伏组件输出功率、锂电池荷电状态、负荷情况以及直流母线电压变化情况,合理切换系统工况,确保系统稳定运行。
通过家庭并离网一体光伏发电系统样机实验,验证了本文所提能量管理策略的可行性和有效性。
1
对局部节点状态估计间误差相关性的处理是分布式估计融合或航迹融合的关键要素;针对当前分布式融合理论中关于混合多模型估计融合研究的空白,首先推导得出了采用相同模型成分的各局部节点交互多模型状态估计的误差互协方差矩阵的递推计算方法;其次,讨论了所得非对称实误差互协方差矩阵的正定特性,并分析了此类误差相关性与混合多模型估计算法中模型过程噪声之间的变化关系;上述结果使得基于互协方差组合融合算法的交互多模型状态估计融合成为可能,仿真实验亦验证了其有效性,相对其它不考虑误差相关性的融合算法,融合结果也更为真实.
1
此PHP-SDK是改进后版本(相对于本人之前上传的),改进有以下几点:1)新增部分外部联系人处理的SDK代码(截止到目前,企业微信官方SDK中没有关于外部联系人处理的SDK代码)2)新增外部联系人回调事件处理3)修改并纠正了部分语法问题4)修改了原SDK的回调类中的验证回调url有效性,加密方法,解密方法(根据企业微信官方修改记录所做的同步修改,并测试有效)5)具体可参照本人CSDN的两篇博客,博客中会着重说明本人在开发时遇到的问题及其解决方案,包括注意事项,一篇企业应用开发(已发表),一篇企业外部联系人回调事件(待发表/近期发表,注意更新)
1
简单地介绍了OFDM-UWB系统,在此基础上用matlab建立了简化的OFDM-UWB基带传输模型。
然后分析了同步对系统的影响,可知同步模块是必要的,于是分析了现有的几种同步算法。
结合OFDM-UWB系统的特点,选择了基于同步序列的同步算法,它能同时实现载波和帧同步。
然后设计了一种基于S&C算法的联合同步算法,最后用matlab实现了该算法,它能有效地降低BER,并验证了它的有效性。
2024/3/21 13:46:56 832KB OFDM 同步
1
提出了一种将蚁群算法与算法相融合共同完成反传神经网络训练的方法,ACO一BP算法。
该算法首先采用蚁群算法对网络权值进行整体寻优,克服BP算法容易陷入局部最优的不足再以找到的较优权值为初值,采用BP算法做进一步的寻优,以提高网络的训练和预报精度。
将ACO一BP神经网络用于函数逼近问题,并与BP神经网络、蚁群算法神经网络和遗传神经网络的逼近结果进行了比较,验证了该算法的有效性。
2024/3/19 4:21:25 223KB 蚁群算法 神经网络
1
针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.
2024/3/14 6:54:06 191KB 多传感器
1
基于深度学习的软件源码漏洞预测综述,马倩华,李晖,深度学习方法能自动提取软件源代码的一些语法语义特征进行漏洞预测,已有一些研究证实了其有效性,但该领域还没有统一的指导原则,本
2024/3/8 4:40:51 325KB 首发论文
1
针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(randomforestregression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型——RFRP模型。
同时,收集了西安市2013--2016年的历史气象数据,进行模型的有效性实验分析。
实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为O.281S,约为BP-NN(backpropagationneuralnetwork,BP神经网络)预测模型的5.88%。
2024/3/5 9:44:07 1.18MB 回归分析
1
共 192 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡