搜索资源列表
time
- 基于3GPP的空时无线信道模型（SCM）的在不同移动速度下的时间相关性。-3GPP-based space-time wireless channel model (SCM), moving at different speeds of time correlation.
TSP110707
- 本文首先提出了基于TSP 的多点位加工路径优化模型以最高生产效率为目标 函数并以数控中心的多孔位加工和多点位焊接两个典型的自动化加工系统为例来 验证该模型的经济性和适用性其次分别为这两个系统建立了基于TSP 的路径优 化模型模型中考虑了实际加工时的系统中约束条件的影响如数控加工中心的换 刀速度主轴移动速度和焊接机器人的工作台转动速度等提出了近似法将数 控加工中心主轴对同一个孔位n 次重复遍历如钻粗镗精镗等简化对n 个 极小间距的相邻点位的一次遍历从而建立相应的多点位数控加
MATLAB
- 有关FIR滤波器、求解微分方程、移动通信系统低通等效模型、信道编码、转移矩阵一些简单示例仿真。-The FIR filter, solving differential equations, low-pass equivalent mobile communication system model, channel coding, some simple examples of transition matrix simulation.
ARMA-model
- 模型包括三种基本类型：自 回归模型、移动平均模型和 自回归移动平均模型 -The model consists of three basic types: the regression model, moving average and autoregressive moving average model
ant_wsn
- 为了在无线传感器网络中降低能耗和最大化网络生存期,提出一种能量高效的数据收集算法 (energy-efficient data gathering algorithm, EEDGA)。该算法利用移动代理模型在网络中进行数据收集。首先, EEDGA根据监测精度的要求控制活动节点的数量 然后,通过求最小支配集得到具体的工作节点 最后,利用蚁 群算法规划移动代理迁移的最优路线,移动代理以渐进方式收集活动节点的监测数据。仿真结果表明,与典型算 法相比,该算法具有更低的能耗和更长的网络生存
DeepLearningTutorials-master
- 深入学习是机器学习研究的一个新领域,已介绍了移动机器学习的目标更接近原来的目标之一:人工智能。深度学习学习多个水平的代表性和抽象,帮助理解数据(如图像、声音和文字。本文提供的教程将向您介绍一些最重要的深度学习算法,还将向您展示如何使用Theano运行它们。Theano是一个python库,使写作深度学习模型简单,并提供培训在GPU的选项。-run them using Theano. Theano is a python library that makes writing deep learn
pso
- 一种演化计算技术，来源于对一个简化社会模型的模拟。PSO算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。-An Evolutionary computing technology, comes a simplified model of social simulation. PSO algorithm is based on population, according to adapt to the environment of the individuals of the
elm
- 一个简单移动的ELM超限学习机的小例子，实现了简单的ELM神经网络模型，并且还带有测试数据集。(A simple example of a simple moving ELM overrun learning machine)
bnn-master
- 一个高度优化的轻量深度学习前向框架，使用C/C++语言开发，跨平台，支持读取Caffe模型文件，主要处理卷积神经网络。与市面上大多数移动端解决方案不同，我们的量化压缩技术不仅针对模型的权重，还涉及到输入的特征向量压缩。针对这一特性我们在模型文件和内存大小得到裁剪的同时还对框架的性能做了大量优化。(A highly optimized lightweight deep learning forward framework, developed using C/C++ language, cross
基于深度强化学习的复杂环境下机器人自主移动算法
- 本算法是通过深度强化学习方法，模拟人类行走策略，建立避免碰撞的模型，训练机器人底盘以人类习惯在复杂变化的环境中主动生成速度和角度信息，从而自动行走。