代码搜索：数据输入
找到约 10,000 项符合「数据输入」的源代码
代码结果 10,000
www.eeworm.com/read/355155/10290414
txt l3.3.txt
%输入向量和期望,初始输入延时Pi（TDL和P同，默认输入为0）
P={1 2 1 3 3 2};
T={5 6 4 20 7 8};
Pi={1 3};
%线形系统设计，满足输入向量和期望,初始输入延时Pi
net=newlind(P,T,Pi);
%验证（方差最小）
Y=sim(net,P,Pi)
www.eeworm.com/read/355155/10290446
txt l5.1.txt
%输入和期望
P=[4 5 6];
T=[1.5 3.6 6.7];
%设计GRNN网络（GRNN广义回归神经网络）
net=newgrnn(P,T);
%验证
P=4.5;
v=sim(net,P)
www.eeworm.com/read/355155/10290485
txt l2.6.txt
%设计一个二维输入的一个神经元的网络
net=newp([-2 2;-2 2],1);
%设置权值和域值
w=[1 -0.8]
net.IW{1,1}=w
net.b{1}=[0]
%设置输入向量和期望值
p=[1;2];
t=[1];
%网络输出和误差
a=sim(net,p)
e=t-a
%学习规则，权值调整量
dw=learnp(w,p,[],[],[],[],e,
www.eeworm.com/read/355155/10290497
txt l2.5.txt
%设计一个二维输入的一个神经元的网络
net=newp([-2 2;-2 2],1);
%设置权值和域值
w=[1 -0.8]
net.IW{1,1}=w
net.b{1}=[0]
%设置输入向量和期望值
p=[1;2];
t=[1];
%网络输出和误差
a=sim(net,p)
e=t-a
%学习规则，权值调整量
dw=learnp(w,p,[],[],[],[],e,
www.eeworm.com/read/355101/10294701
m odefun1.m
function dy = odefun1(t,y)
% 微分函数 dy/dt = exp(2*y)
% t为第一输入变量
% y为第二输入变量
dy = 2*y;
www.eeworm.com/read/354481/10350808
txt readme.txt
所有函数与定义都写在一个文件里面
比起2版本,有报时,时制转换的功能
采用1M内部晶振.
PA口显示段选输出,PC口显示片选输出,PB口键盘输入.
www.eeworm.com/read/279909/10377600
txt 例5.2.txt
例5.2输入3个数a，b，c，要求按由小到大的顺序输出。
解此题的算法比上一题稍复杂一些。可以用伪代码写出算法：
if a > b 将a和b对换 (a是a，b中的小者)
if a > c 将a和c对换 (a是a，c中的小者，因此a是三者中最小者)
if b > c 将b和c对换 (b是b，c中的小者
www.eeworm.com/read/354109/10388740
txt graph1m.txt
graph1M.cpp运行结果:
输入图的点数n=7
输入选择无向(权)与有向(权)图的值k1,k2:0 1
输出建立的图:
A B C D E F G
创建邻接表:
输入图的总边数:12
输入12条无向带权边的起点和终点序号及权值!
出发点Vk的序号=0
当前的顶点数为:7
当前的边数为:12
表的深度优先搜索顺序:
A:0 C:2 G:6 F:5
www.eeworm.com/read/424565/10439315
m example2_13.m
%已知输入和目标矢量：
P = [1 2 3];
T = [2.0 4.1 5.9];
%设计一个径向基网络：
net = newrb(P,T);
%然后在网络的输入端输入一个新的值
P = 1.5;
%运用仿真函数sim:
Y = sim(net,P)
www.eeworm.com/read/424565/10439345
m example2_11.m
%任意创建一个具有100个元素的输入矢量，构造一个排列在3 3栅格上由9个神经元组成的自组。
%织特征映射网络，对网络训练400次，观察网络的自组织能力。
P=rand(2,100);
W=initsm(P,9);
M=nbman(3,3);
W=trainsm(W,M,P,[20 400])