为提高短期负荷预测精度，针对传统的单一负荷预测模型精度低以及常规智能算法在解决高维、多模复杂问题时容易陷入局部最优的问题进行了研究，提出了一种结合混沌纵横交叉的粒子群算法（CC-PSO）优化极限学习机（ELM）的短期负荷预测模型。ELM的泛化能力与其输入权值和隐含层偏置密切相关，采用结合混沌纵横交叉的粒子群算法优化ELM的输入权值与隐含层偏置，提高了ELM的泛化能力和预测精度。选择广东某地区实际电网负荷数据进行分析，研究结果表明，相对于BP神经网络和支持向量机，ELM具有更高的泛化能力和预测精度；CC-PSO相对于粒子群和遗传算法具有更高的全局搜索能力，CC-PSO-ELM模型具有较高的负荷预测精度。

为提高电子设备及系统在复杂电磁环境下工作的稳定性，应用时域有限差分方法对不同脉宽电磁脉冲通过带有不同形状（方形环，圆环，矩形环）环形孔缝屏蔽腔体的耦合规律进行了分析。研究结果表明：电磁脉冲通过环形孔缝耦合现象明显，其通过圆环的耦合能量最小；对于矩形环，当入射波极化方向与环形孔缝的短边平行时，若矩形环孔缝纵横比越大，则耦合能量也越大，当极化方向与短边垂直时，则纵横比越大，耦合能量越小；入射电磁脉冲脉宽越短，电磁脉冲越容易耦合进入环形孔缝；腔体壁的反射及谐振会增强耦合效应。

HMITECH 纵横科技 EPEC与CAN屏通讯演示rar,HMITECH 纵横科技 EPEC与CAN屏通讯演示

有关 ES2 mudlib 的使用与扩充 如果您能看到这份说明，表示您可能是一位使用 ES2 mudlib 做基础的 Mud 中的神 或者巫师。这份说明的主要目的是希望能为您对 ES2 mudlib 建构的主要部份跟一些 系统上的风格做一个大概的介绍，如果您从来未曾接触过 MudOS 或是 LPmud 的系统 ，我建议您先阅读一下您的 MudOS 所附的文件档。

纵横小说网站的源代码，很全面，大家可以看一下......

用户可用标签： {$TLCMS:System_Title} 系统标题 {$TLCMS:System_Url} 系统地址 {$TLCMS:System_Dir} 系统目录 {$TLCMS:System_Skin} 系统风格 {$TLCMS:System_Keywords} 站点关键词 {$TLCMS:System_Description} 站点页面属性 {$TLCMS:System_Copy} 站点版权 {$TLCMS:System_Icp} 站点备案 第一次使用，运行install.asp文件。 http://安装目录/install.asp 如果您在安装的时候出现对象不支持此属性或方法: 'Session.CodePage' \install.asp, line 4 可以删掉install.asp、admin.asp、function.asp里的： Session.CodePage=936 Response.ContentType="text/html" Response.Charset="gb2312" 由于老外服务器的系统版本与国内的系统不一样，所以本站加入了上面4种进行语言编码； Server.ScriptTimeOut=999 *脚本超时时间 演示地址: http://www.52ysplay.com/book

CCNet-Pure-Pytorch 用于纯Pytorch中语义分割的Criss-Cross Attention（2d＆3d），具有更快，更精确的实现方式。 更新 **** 2021/03：纯pytorch实现3D CCNET模块的三种被释放 。 您可以在和检查其正确性 介绍 我非正式地重新实现了纯Pytorch中的以便在不同版本和环境下实现更好的兼容性。 以前的许多开源项目都在Pytorch上使用了Cuda扩展，因此存在兼容性和精度损失的问题。 此外，当我们设置cudnn.benchmark = True时，Pytorch可能无法优化和加速Cuda扩展。 为了解决这些问题，我基于的张量变换在CC.py中设计了一个Criss-Cross Attention操作，该操作并行执行，并且在向前结果和向后渐变中显示出更快的速度和更精确的效果。 我的运作和表现 不需要CUDA扩展。 以前的“ Cr

本资源对PMBOK第六版五大过程组、十大知识领域、49个过程组进行了整合，通过图表形式展示每个过程的ITTO（输入、工具与技术、输出）知识，附带PMBOK知识记忆法则，能够帮助在PMP备考过程中清晰理解记忆整个框架知识；

【优化求解】基于 Sobol 序列和纵横交叉策略的麻雀搜索算法(SSASC) Matlab源码.zip

纵横四海PHP7.0，共享分享，文字游戏