华为OLT升级固件，我从R016升级到这个版本，测试可以兼容三方光猫，大家可以测试结果反馈给我

美国思科 Linksys E4200无线路由器官方固件1.0.06.003英文版，有需要的可以下载。

关于视频播放的demo，里面详细介绍了视频各种播放，支持小窗口播放，和全屏播放

ZIP压缩解压操作支持库面向过程版。 操作系统支持： Windows

思科Linksys EA6500无线路由器官方固件 1.1.29.162351版，有需要的可以下载。

yaml-cpp release 还有debug版本 pcl 1.10.1 库，下载即用。 opcv 4.4.0 下载即用。 还有vtk

（1）高斯谱模型 高斯谱的表达式如下所示： 2 3 ( ) exp( ( ) )d dB f f W f a f    (5-16) 其中， a为一个常数，它的取值为 1.665，以使得 3 ( / 2) 0.5 dB W f  ； d f 是杂波的中 心频率，代表了杂波的平均多普勒频率，也可以理解为杂波的平均速度； 3dB f 为 两个半功率点之间的频率带宽。在进行地杂波相关模型建立时，我们一般把 0 f 取 为 0， 3dB f 约为风速的 3%。 公式（5-16）也可以表示成如下形式： 2 2 ( ) exp[ ( ) / 2 ] d c W f f f    (5-17) 2 c  表示地杂波频率分布的均方根值，它与散射体速度分布的均方根值 v  有如下的 关系 2 v c     。 （2） n次方谱模型 n次方功率谱的表达式如下所示： 3 1 ( ) 1 ( / ) n dB W f f f   (5-18) 其中， n为正整数，取值范围在 2-5 之间， 3n  即为立方谱， 2n  即为平方谱。 3dB f 为两个半功率点之间的频率带宽，杂波谱方差 3 1.33exp(0.2634 ) dB f v ， v 为 风速。 杂波的功率谱特性通常与环境、杂波的性质等因素相关。在本文中我们主要 考虑的是在地面雷达背景下的杂波模型建立，而该雷达的典型杂波环境有草地、 灌木、树林、庄稼地等。因而我们采用高斯谱这种典型杂波谱模型进行建模仿真。 地杂波功率谱如图 5-2 所示。 对于高斯分布的杂波谱，影响谱峰高度和杂波谱宽度的一个主要因素就是高 斯分布的方差，也就是公式（5-18）中的 3dB f ， 3dB f 越小，杂波谱越集中，谱峰高 度越高。

基于uniGUI的第三方控件Unifalcon源码版(2019-07-30)，Build with ExtJS 6.7.0 - uniGUI 1.90.0.1504 - HyperServer，亲测支持uniGUI 1.90.0.1506，未发现异常。

服务器空间需要支持PHP + MySQL 1、源码完整上传至服务器空间 2、打开根目录下面的license文件，将里面的.haoid.cn修改成你自己的域名 3、打开http://你的域名/install 根据安装提示完成安装 4、后台路径http://你的域名/m.php 默认账号和密码分别是admin haoid.cn 5、后台节点添加 fanwe_role_nav 后台导航的菜单 fanwe_role_group 后台导航左侧菜单的分组 fanwe_role_module 后台模块的列表 fanwe_role_node 后台节点的列表， 无需显示和无需权限配置的节点不用输入到这张表，表示该节点权限仅有登录限制

图像的均方误差的matlab代码 机器学习第一次作业 机器学习平台python和matlab的熟悉 1 问题描述 1 用python或者matlab编写一个KNN分类器 训练集为semeion_train.csv 测试集为semeion_test.csv 计算在测试集上的错误率（k = 1 3 5 7） 2 选做 在训练集上划分一个交叉验证集（可以是训练集数据的20%左右），利用交叉验证选择k值 画一个以k值为x轴，交叉验证集错误率为y的曲线 3 本次实验的简要介绍 实验内容 本次实验使用kNN算法实现手写数字的识别。数据有256个特征值，代表了一个16*16的位图的像素值，0为无像素，1为存在像素。利用python PIL做出其中各个数字的典型图像如下所示： kNN算法简介 kNN算法是一种监督学习算法。假设给定一个训练数据集，其中的实例类别已经确定。分类是对于新的类别，根据其最相近的k个邻居的类别，通过多数表决的方式进行预测。利用训练集对特征空间进行分类划分，并作为其分类的模型。 2. 解决方法 1 解决思路 计算待分类点与已知类别的点之间的距离 按照距离递增次序排序 选取与待分类