Go To English Version 超过100万源码资源,1000万源码文件免费下载
  • OMAP-L138系列TL138-EasyEVM开发板规格书.pdf TL138-EasyEVM是一款基于广州创龙SOM-TL138核心板设计的DSP+ARM双核开发板,它为用户提供了SOM-TL138核心板的测试平台,用于快速评估SOM-TL138核 心板的整体性能。 SOM-TL138引出CPU全部资源信号引脚,二次开发极其容易,用户只需要专注上层运用,降低了开发难度和时间成本,让产品快速上市,及时抢占市场先机 。 不仅提供丰富的Demo程序,还提供DSP+ARM双核通信开发教程,全面的技术支持,协助用户进行底板设计和调试以及DSP+ARM软件开发。
  • OMAP-L138系列TL138-EthEVM开发板规格书.pdf TL138-EthEVM是一款基于广州创龙OMAP-L138 DSP+ARM核心板SOM-TL138设计的开发板,具有多个网络接口。它为用户提供了SOM-TL138核心板的测试平台, 用于快速评估SOM-TL138核心板的整体性能。
  • OMAP-L138系列TL138-EVM开发板规格书.pdf TL138-EVM是一款基于广州创龙OMAP-L138核心板SOM-TL138设计的DSP+ARM双核开发板,它为用户提供了SOM-TL138核心板的测试平台,用于快速评估SOM- TL138核心板的整体性能。
  • OMAP-L138系列TL138F-EasyEVM开发板规格书.pdf TL138F-EasyEVM是一款基于广州创龙SOM-TL138F核心板设计的开发板,采用沉金无铅工艺的2层板设计,它为用户提供了SOM-TL138F核心板的测试平台,用 于快速评估SOM-TL138F核心板的整体性能。
  • OMAP-L138系列TL138F-EVM开发板规格书.pdf TL138F-EVM是一款基于广州创龙SOM-TL138F核心板设计的开发板,采用沉金无铅工艺的2层板设计,它为用户提供了SOM-TL138F核心板的测试平台,用于快 速评估SOM-TL138F核心板的整体性能。 SOM-TL138F引出CPU全部资源信号引脚,二次开发极其容易,客户只需要专注上层应用,大大降低了开发难度和时间成本,让产品快速上市,及时抢占市场 先机。 不仅提供丰富的Demo程序,还提供详细的开发教程,全面的技术支持,协助客户进行底板设计、调试以及软件开发。
  • MATLAB神经网络43个案例分析.zip 包括BP、RBF、SVM、SOM、Hopfield、LVQ、Elman、小波等神经网络;还包含PSO(粒子群)、灰色神经网络、模糊网络、概率神经网络、遗传算法优化等内容 作为本科毕业设计、研究生项目设计、博士低年级课题设计参考书籍,同时对广大科研人员也有很高的参考价值
  • MATLAB神经网络43个案例分析.pdf 源码.zip ... 》是在《MATLAB神经网络30个案例分析》的基础上修改、补充而成的,秉承着“理论讲解—案例分析—应用扩展”这一特色,帮助读者更加直观、生动地学习神经网络。 《MATLAB神经网络43个案例分析》共有43章,内容涵盖常见的神经网络(BP、RBF、SOM、Hopfield、Elman、LVQ、Kohonen、GRNN、NARX等)以及相关智能算法(SVM、决策树、随机森林、极限学习机等)。同时,部分章节也涉及了常见的优化算法(遗传算法、蚁群算法等)与神经网络的结合问题。此外,《MATLAB神经网络43个 ...
  • 论文研究-SOM神经网络改进及在遥感图像分类中的应用.pdf 针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于选择西安地区的ETM 卫星遥感图像进行分类实验。结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。
  • 论文研究-一种面向服务架构总线的自组织机制.pdf 在采用面向服务架构(SOA)实施分布式开发中,为实现对服务资源在效率、可伸缩性和自适应动态演化的支持,通过对企业服务总线(ESB)拓扑模型的分析,引入对基于域内服务注册的统一ESB基础设施的自组织机制(SOM)。通过对SOM的设计,实现了ESB中服务的动态加入和退出机制、服务状态动态变化机制、负载感知的自适应机制和节点的容错机制。在对SOM的仿真与实践中,证实了SOM占用带宽少、信息收敛快、适应性好。
  • 论文研究-一种协同半监督分类算法Co-S3OM.pdf 为了提高半监督分类的有效性, 提出了一种基于SOM神经网络和协同训练的半监督分类算法Co-S3OM (coordination semi-supervised SOM)。将有限的有标记样本分为无重复的三个均等的训练集, 分别使用改进的监督SSOM算法(supervised SOM)训练三个单分类器, 通过三个单分类器共同投票的方法挖掘未标记样本中的隐含 ...