系统可实现的功能如下： （1）录入每个学生的学号、姓名和n门课程的考试成绩； （2）计算每个学生的总分； （3）按每个学生的总分由低到高排出名次表； （4）按每个学生的总分由高到低排出名次表； （5）按某一门特定课程的成绩由低到高排出名次表； （6）按某一门特定课程的成绩由高到低排出名次表； （7）按学号由小到大排出成绩表； （8）按学号查询学生考试成绩，支持模糊查询； （9）按姓名查询学生考试成绩，支持模糊查询； （10）输出每个学生的学号、姓名、各科考试成绩； （11）将每个学生的记录信息（原始数据）写入文件； （12）将排序后的信息及查询到的信息写入文件。 操作时伴随音效。 程序运行后的提示如下： 欢迎使用学生成绩管理系统！ 请输入涉及到的课程数（不多于10）: 请输入n门课程的名称，以回车符分隔。 请依次输入各学生的信息。 输入格式：姓名+学号+n门课程的成绩，均以回车符分隔，成绩顺序同课程名称顺序。 输入： 1：添加学生信息。 0：停止添加学生信息。 添加完学生信息后，提示用户输入数字来执行相应的操作。

pwm控制的基本原理PWM控制直流电机，正反脉冲的控制，梯形加减速的控制，脉宽的调制，电机运行过程，PWM调频。实现转速实时可变。实时监视电流，反馈电流环，控制制电机扭矩。完整 的一套调试PWM控制直流电机的源码

说明 看完spring源码后，感触颇深。于是经过一番研究手动实现一个类似Spring的IOC和AOP功能的演示，本demo成功实现了容器的依赖注入和切面的功能，aop使用CGLIB实现。 说明 首先代码的测试运行demo见 应用程序 public static void main(String[] args) throws ClassNotFoundException { //初始化环境 init(); //模拟spring启动 Class.forName("com.mySpring.autowired.BeanFactory"); ClassesService classesService = (ClassesService) BeanFactory.getBean("classesService");

本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考 由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。 适用于CNN初学者以及希望更进一步的学习者。 dataset是MNIST。这里层的概念是指convolution+pooling 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。 SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案

分数阶傅里叶变换的python程序 可以直接输入图片运行

测绘资料-全球导航卫星系统连续运行参考站网建设规范CHT_2008-2005.pdf

matlab有些代码不运行#NeuralTalk 该项目包含用于学习多模式递归神经网络的Python + numpy源代码，这些神经网络使用句子描述图像。 最近在一篇文章中介绍了这方面的工作，并且在过去几个月中，该领域一直是研究界发表的多篇学术论文的主题。 该代码当前实现和提出的模型。 两种模型均拍摄图像并使用递归神经网络（LSTM或RNN）预测其句子描述。 概述 该项目的管道如下所示： 输入是使用Amazon Mechanical Turk收集的图像和5个句子描述的数据集。 特别是，此代码库是针对，和数据集设置的。 在训练阶段，将图像作为输入馈送到RNN，并要求RNN根据神经网络的隐藏层介导的当前单词和先前上下文来预测句子的单词。 在此阶段，通过反向传播训练网络的参数。 在预测阶段，将一组让步图像传递给RNN，RNN一次生成一个单词的句子。 用BLEU评分评估结果。 该代码还包括用于以HTML可视化结果的实用程序。 依存关系 Python 2.7 ， numpy / scipy的现代版本， perl （如果要进行BLEU分数评估）， argparse模块。 这些大多数都可以通过pip

可直接运行 基于MATLAB的顶点覆盖近似算法 源代码程序.rar

Extended-SimGNN-master源代码（SimGNN方法代码，精华版，可直接运行）

PSoC 6 MCU：基于MCUboot的基本Bootloader 是一个开放源代码库，可为32位MCU开发安全的引导加载程序应用程序。 MCUboot是流行的IoT操作系统（例如Zephyr和Apache Mynewt）中的主要引导程序。 本示例演示了将MCUboot与PSoC 6 MCU配合使用，特别是PSoC:trade_mark:62/63 MCU系列。 本示例捆绑了两个应用程序： Bootloader应用程序：实现由CM0 +运行的基于MCUboot的基本Bootloader应用程序。 引导加载程序处理映像身份验证和升级。 当映像有效时，引导程序通过将映像的起始地址传递给CM4 CPU来启动/运行映像。 眨眼应用程序：实现由CM4运行的简单LED眨眼应用程序。 您可以通过以下方式之一来构建此应用程序。 该应用程序根据是以引导模式还是升级模式构建的，以不同的速率切换用户LED。 引导模式：将应用