代码搜索：网络终端
找到约 10,000 项符合「网络终端」的源代码
代码结果 10,000
www.eeworm.com/read/314779/13559316
m bp.m
%严格按照BP网络计算公式来设计的一个matlab程序,对BP网络进行了优化设计
%yyy，即在o(k)计算公式时，当网络进入平坦区时(
www.eeworm.com/read/312405/13611751
m bp.m
tic
close all
clear
echo on
clc
%NEWFF-生成一个新的前向神经网络
%TRAIN-对BP神经额昂罗进行训练
%SIM-对BP神经网络进行仿真
pause
clc
%输入样本
P=[-1,-2,3,1;-1,1,5,-3];
T=[-1,-1,1,1];
pause
clc
%创建前向一个新的神经网络
net=newff(minma
www.eeworm.com/read/492695/6419564
m selforganize.m
function [w,wbias,y,d,b,sse]=selforganize(x,c,t)
% RBF网络的实现
%x为np×ni的输入矩阵。np为输入样本个数,ni为RBF网络输入层单元数
%c为ni×m的初始中心矩阵。m为中心的个数
%t为np×no的期望输出矩阵。No为RBF网络输出层节单元数
[np,ni]=size(x);
d=learning_c(x,c); %学
www.eeworm.com/read/153016/12067057
m sm.m
%obsolete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])
%some obsolet function
initsm ====nnt
www.eeworm.com/read/128218/14310948
txt 借助vc++实现串口通讯程序中的多线程应用.txt
借助VC++实现串口通讯程序中的多线程应用
-------------------------------------------------------------------------
1、概述
在广电网络数字化双向改造中，为了实现广电网络对多媒体数字业务的支持，在广电网络主干网和支干网上建设了大量的无人值守的支持数字业务的中心机房，随着现在数据业务的开展，业务平台的安 ...
www.eeworm.com/read/117383/14927396
txt 防火墙软件netfilter之包过滤技术.txt
发信人: cucme (说你说我), 信区: Hacker
标 题: 防火墙软件Netfilter之包过滤技术
发信站: 哈工大紫丁香 (2001年08月29日14:10:02 星期三), 站内信件
如果您不知道什么是IP地址、网络地址、网络掩码、路由或者DNS，那么，请先
阅读相关的网络基础书籍。
1．什么是包过滤（P
www.eeworm.com/read/25145/944865
dp2 cc2420.dp2
cc2420.o: C:\AVR\4.8无线传感器网络的设计/cc2420.h C:/icc/include/iom128v.h C:/icc/include/macros.h C:\AVR\4.8无线传感器网络的设计/common.h C:/icc/include/iom128v.h C:/icc/include/macros.h C:\AVR\4.8无线传感器网络的设计/spi.h C:/ic
www.eeworm.com/read/25145/944876
dp2 main.dp2
main.o: C:\AVR\4.8无线传感器网络的设计/cc2420.h C:/icc/include/iom128v.h C:/icc/include/macros.h C:\AVR\4.8无线传感器网络的设计/common.h C:/icc/include/iom128v.h C:/icc/include/macros.h C:\AVR\4.8无线传感器网络的设计/spi.h C:/icc/
www.eeworm.com/read/135779/13900324
m selforganize.m
function [w,wbias,y,d,b,sse]=selforganize(x,c,t)
% RBF网络的实现
%x为np×ni的输入矩阵。np为输入样本个数,ni为RBF网络输入层单元数
%c为ni×m的初始中心矩阵。m为中心的个数
%t为np×no的期望输出矩阵。No为RBF网络输出层节单元数
[np,ni]=size(x);
d=learning_c(x,c); %学
www.eeworm.com/read/135754/13902484
m selforganize.m
function [w,wbias,y,d,b,sse]=selforganize(x,c,t)
% RBF网络的实现
%x为np×ni的输入矩阵。np为输入样本个数,ni为RBF网络输入层单元数
%c为ni×m的初始中心矩阵。m为中心的个数
%t为np×no的期望输出矩阵。No为RBF网络输出层节单元数
[np,ni]=size(x);
d=learning_c(x,c); %学