求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
标签： gt myfunction function numel
上传时间： 2013-12-26
上传用户：dreamboy36
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
标签： gt myfunction function numel
上传时间： 2016-06-28
上传用户：change0329
求标准偏差 > function c=myfunction(x) > [m,n]=size(x) > t=0 > for i=1:numel(x) > t=t+x(i)*x(i) > end > c=sqrt(t/(m*n-1)) function c=myfunction(x) [m,n]=size(x) t=0 for i=1:m for j=1:n t=t+x(i,j)*x(i,j) end end c=sqrt(t/(m*n-1
标签： gt myfunction function numel
上传时间： 2014-09-03
上传用户：jjj0202
本程序可以对一个完整的类pascal程序进行语法分析并将分析的结果输出显示。 程序要求输入的字符串必须有完整的程序体说明以及程序开始的标志，否则，该语法分析器给出错误信息。 当进行完上述判断后，则进行各个语句串的分析，其中包括赋值语句，分支语句与循环语句（可嵌套判断），并将判断结果显示，若有错误，则输出错误类型以及行号。 输出结果的形式：该语法分析器在结束一种句型分析时给出一个类型信息例如：if 1 then j:=j+1 的判断信息为：“赋值语句” 和“if then 分支语句” 。
上传时间： 2013-12-23
上传用户：R50974
This code is described in "Computational Geometry in C" (Second Edition), Chapter 8. It is not written to be comprehensible without the explanation in that book. Prints out one arm configuration to reach given target. Assumes number of links >= 3. Input: nlinks Number of links L1 L2 ... Ln Link lengths x0 y0 target0 x1 x2 target1
标签： Computational described Geometry Chapter
上传时间： 2014-01-25
上传用户：yan2267246
看n2实例 #Create a simulator object set ns [new Simulator] #Define different colors for data flows #$ns color 1 Blue #$ns color 2 Red #Open the nam trace file set nf [open out-1.nam w] $ns namtrace-all $nf set f0 [open out0.tr w] set f1 [open out1.tr w] #Define a finish procedure proc finish {} { global ns nf $ns flush-trace #Close the trace file close $nf #Execute nam on the trace file exit 0 } #Create four nodes set n0 [$ns node] set n1 [$ns node] set n2 [$ns node] set n3 [$ns node] #Create links between the nodes $ns duplex-link $n0 $n2 1Mb 10ms
标签： simulator Simulator different Create
上传时间： 2016-07-02
上传用户：wfl_yy
使用说明 使用时打开此例题目录下pic中的图片，然后依次单击按钮“转”、“1”、“2”、“3”、“4”和“5”，就可以实现精确的车牌定位。 具体步骤 1.24位真彩色->256色灰度图。 2.预处理:中值滤波。 3.二值化:用一个初始阈值T对图像A进行二值化得到二值化图像B。 初始阈值T的确定方法是:选择阈值T=Gmax-(Gmax-Gmin)/3,Gmax和Gmin分别是最高、最低灰度值。 该阈值对不同牌照有一定的适应性,能够保证背景基本被置为0,以突出牌照区域。 4.削弱背景干扰。对图像B做简单的相邻像素灰度值相减,得到新的图像G,即Gi,j=|Pi,j-Pi,j-1|i=0,1,…,439 j=0,1,…,639Gi,0=Pi,0,左边缘直接赋值,不会影响整体效果。 5.用自定义模板进行中值滤波 区域灰度基本被赋值为0。考虑到文字是由许多短竖线组成,而背景噪声有一大部分是孤立噪声,用模板(1,1,1,1,1)T对G进行中值滤波,能够得到除掉了大部分干扰的图像C。 6.牌照搜索:利用水平投影法检测车牌水平位置,利用垂直投影法检测车牌垂直位置。 7.区域裁剪,截取车牌图像。
上传时间： 2014-01-17
上传用户：851197153
程序名：ga_bp_predict.cpp 描述： 采用GA优化的BP神经网络程序，用于单因素时间 序列的预测,采用了单步与多步相结合预测 说明： 采用GA(浮点编码)优化NN的初始权值W[j][i],V[k][j]，然后再采用BP算法 优化权值
标签： ga_bp_predict cpp 程序 BP神经网络
上传时间： 2014-02-18
上传用户：冇尾飞铊
package query public class LinkQuery { private Node front private Node vear public LinkQuery() { this.front=null this.vear=null } public void add(int i) { Node newNode=new Node(i) if(vear==null && front==null) { vear=newNode front=newNode return } vear.next=newNode vear=newNode } public int remove() { if(this.front==null) { System.out.println("队是空的，无法取") return -1 } int temp=this.front.data this.front=this.front.next if(this.front==null) { this.vear=null }
标签： private public Node LinkQuery
上传时间： 2016-07-08
上传用户：天诚24
动态规划的方程大家都知道，就是 f[i,j]=min{f[i-1,j-1],f[i-1,j],f[i,j-1],f[i,j+1]}+a[i,j] 但是很多人会怀疑这道题的后效性而放弃动规做法。 本来我还想做Dijkstra，后来变了没二十行pascal就告诉我数组越界了……（dist:array[1..1000*1001 div 2]...） 无奈之余看了xj_kidb1的题解，刚开始还觉得有问题，后来豁然开朗…… 反复动规。上山容易下山难，我们可以从上往下走，最后输出f[n][1]。 xj_kidb1的一个技巧很重要，每次令f[i][0]=f[i][i],f[i][i+1]=f[i][1]（xj_kidb1的题解还写错了）
上传时间： 2014-07-16
上传用户：libinxny
