神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。
上传时间： 2016-02-03
上传用户：aa54
vivi是MIZI公司开发的系统引导程序,原本只支持串口下载。本文以S3C2410处理器加CS8900网络芯片为例,介绍一种在vivi基础上增加网络支持的设计方法，使vivi能够通过TFTP下载文件，可以有效地缩短系统的开发周期，方便用户使用。 关键词 vivi Bootloader TFTP协议 网络功能扩展 随着嵌入式的发展，基于ARM的系统越来越流行。在开发ARM系统时，第一步就是要选择一种合适的Bootloader。目前网络上可得到的Bootloader很多，一般几十KB，所以除非要求把Bootloader限制在几KB以内，否则没有必要自己去写一个Bootloader。Bootloader一般存放在Flash中。当前主流的Flash分为NOR Flash和NAND Flash。前者价格比后者高出很多，而性能相差无几。如果系统采用的是NAND Flash，那么vivi可能会是一个好的选择。
上传时间： 2014-01-03
上传用户：moerwang
一个基于BP神经网络算法解决奇偶问题的源代码，这是我作业一个代码，性能还不错。 不要错过啊
上传时间： 2013-12-24
上传用户：牛布牛
应用层组播(application-layer multicast,简称ALM)是网络层组播的重要补充.但与网络层组播不同的是,应用层组播结构的组成节点是具有独立利益和决策的主机用户.自私的主机用户为了提高自身利益,可能不严格遵守应用层组播协议的规定,从而对组播会话的整体性能带来影响.为了设计可信任的、鲁棒的应用层组播协议,对应用层组播的用户自私性进行研究是必要的.综述了这一领域的研究进展,并按照应用层组播协议的工作阶段把这些研究分为3类,即控制结构维护阶段的自私性研究、节点信息收集阶段的自私性研究以及数据结构构造阶段的自私性研究.
标签： application-layer multicast ALM 应用层组播
上传时间： 2013-12-25
上传用户：zhaiye
无线传感器网络的主要功能是实现数据发布,在接收到信息查询时能够以有效的方式传输给查询者.目前的数据发布方式通常基于洪泛机制查询信息,浪费了有限的能源.虽然一些最近的数据发布协议从不同程度上解决了这一问题,但不能保证查询成功率.基于圆形节点分布网络模型提出了一种既能减少能源消耗,又能提高成功率的数据发布模式——直径-弦模式DCS(diameter-chord scheme).该模式利用了每个圆的弦都存在一个直径与之垂直相交的性质.在此基础上提出了Two-Phase协议.它在信息查询时分成两个工作方式不同的阶段进行,在第1段查询不中时触发第2段查找.为了减少Two-Phase的延迟,提出了基于优先级和概率转发两种解决方法.理论分析和实验结果都表明,所提出的数据发布协议具有较好的性能.
上传时间： 2016-04-29
上传用户：李梦晗
本方案是一款低成本ip phone方案。具备高端IP电话的多网口和路由功能；采用ARM9E单芯片处理所有语音和网络功能，便于升级和移植；ARM9作为业界标准芯片，便于大规模生产，未来成本更加优势明显；采样独特软件优化方法，降低系统消耗；语音性能优，网络接口稳定可靠
上传时间： 2014-01-18
上传用户：杜莹12345
NS2网络仿真软件是目前最为流行的网络仿真模拟软件，对网络的性能的测试起着很好的作用
上传时间： 2014-01-17
上传用户：thesk123
在matlab环境下的BP网络预测程序，主要是预测最优加工性能参数
上传时间： 2013-12-19
上传用户：songrui
【转载】对传统的TCP协议进行改进以增强其性能，本文特别对无线网络中的TCP性能的改进进行了阐述。
上传时间： 2014-01-26
上传用户：lhw888
本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用变步长算法,一般不需人工设置. 4.输入层数目: 人工神经网络的输入层神经元的节点数目. 5.隐含层数目: 人工神经网络的隐含层神经元的节点数目. 6.输出层数目: 人工神经网络的输出层神经元的节点数目. 7.训练算法: 强烈建议选取Levenberg-Marquardt算法,该算法经过测试比较稳定. 8.激活函数: 不同的网络激活函数表现的性能不同,可根据实际情况选择. 9.样本数据的处理: 由于程序没有实现归一化功能, 因此用来训练的样本数据首先要归一化后才能进行训练.
标签： Levenberg-Marquardt 程序 状态 样本
上传时间： 2013-12-19
上传用户：firstbyte
