有这视频和讲义妥妥的

跳一跳matlab代码论文 我关于使用基于定时自动机的流量抽象自动优化调度程序合成的硕士论文的存储库。 （使用定时游戏自动机、Dieky Adzkiya 和 Manuel Mazo, Jr. 调度事件触发的网络控制系统） 在matlab文件夹中，可以找到用于生成交通模型抽象的 C. Hop 代码的编辑版本。 main.m 文件包含描述系统和查找抽象的所有参数。 更改 wrt C. Hop 的代码： 实现了二分搜索以找到每个部分的触发时间的下限和上限 边界和可达性分析在一个函数中完成，并使用并行循环来加速过程。 结果会自动保存到 .mat 文件中 在python文件夹中，找到了定时自动机和抽象的 python 实现。 可以通过 G.Gleizer 使用 ETCTime 或通过加载由 matlab 代码保存的 .mat 文件来创建抽象 为了重新创建上述论文中的网络和控制回路，实现了 ControlLoop 和 Network 类。它们继承自 TGA 类，并且可以导出为 Uppaal XML 图。 为此，这些类使用的 ta 中包含了 pyuppaal 的改编（部分）版本。 test.py 中

从国外学校内网考出来的，希望对大家有用。

RBF神经网络的研究与应用硕士毕业论文-BP神经网络股指预测模型 1[1].0.doc 【作者中文名】 缪凯; 【导师】 赵志刚; 【学位授予单位】 青岛大学; 【学科专业名称】 计算机应用技术 【学位年度】 2007 【论文级别】 硕士 【网络出版投稿人】 青岛大学 【网络出版投稿时间】 2007-11-30 【关键词】 RBF神经网络; 微菌群算法; 车牌识别; 多层识别器; 【英文关键词】 RBF Neural Networks; Micro Bacterial Colony Chemotaxis Algorithm; Mobile Sign Recognition; multi-layered recognizer; 【中文摘要】 径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局 最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网 络模型。全文的主要工作体现在以下几个方面： 1在细菌群体趋药性优化算法的 基础上提出了一种新的优化算法微细菌群体趋药性算法。M-BCC算法采用了两个菌群进行寻优。寻优菌群规 模小，提高了寻优的速度；库存菌群规模相对较大但是不参与运算，保证了寻优菌群的多样性。对比标准遗传算法和BCC 算法，本算法具有一定的优越性。 2本文在研究前人径向基神经网络的基础上，提出了RBF神经网络的混合结构优化算法 。在算法中，改进了递归正交最小二乘算法的停止条件，并用改进的ROLS算法优选RBF神经网络中隐单元的个数； 借用微细菌群体趋药性算法的思想来确定RBF神经网络隐层神经元的控制参数；把改进的ROLS算法和M-BCC算法相结合 ，来全结构优化RBF神经网络，使RBF网络不但可以得到合适的结构，同时也可以得... 【英文摘要】 RBF neural network is a high effective neural network. It has the best and universalapproximation property, simple structure and fast training speed. In addition, this network modelcan be widely applied to the fields such as pattern recognition, nonlinear function approximation. The main works in the thesis can be stated as follows: 1 A new kind of optimized algorithm is proposed, which is the Micro-BCC algorithm based on theBacterial Colony Chemotaxis optimized algorithm. Micro-BCC algorithm takes ...

硕士研究生学术不端行为的成因及对策研究_杨云霞.caj

Excel模板-工商管理硕士（MBA）课程表.rar

磁栅是一种位移测量技术。由于磁栅具有良好的抗干扰能力,对环境要求低,可以工作在多灰尘,潮湿,多油污等环境中正常工作。但是磁栅位移传感器的精度较低,难以实现绝对位移输出,基于课题来源,本文从传感器结构出发,通过对磁栅传感器结构改进同时获得细分信号和节距信息信号,并采用高精度的电子细分来提高磁栅的精度,通过设计磁编码序列来解决绝对位移输出的难题,来设计出可以工作在恶劣环境下的绝对式磁栅位移传感器。 本文介绍了国内外位移传感器的现状,通过对比分析,选取球栅结构进行设计,并对传感器的结构加以改进,对传感器的读数头,感应线圈激励线圈组的绕线方式,铁芯结构进行了设计,从感应线圈中获得高质量的细分信号,并在尺身上录制磁编码信号,利用霍尔传感器采集出磁编码信号来实现绝对位移的输出。对设计的传感器的测量原理进行了深入的研究,通过ANSYS软件对设计的磁栅位移传感器的磁场进行模拟仿真,探讨其电磁分布情况,得出传感器位移与输出电压信号的规律。引入高精度的CORDIC算法对传感器细分信号进行电子细分,并对CORDIC算法进行了优化,对优化后的算法进行了仿真。对磁编码序列进行了研究,采用m序列对直线型和圆环型的各种情况进行了讨论,给出了编码的步骤和方法。最后对信号处理模块进行了仿真,分析了误差来源。 论文主要工作归纳如下： 1)重新设计了磁栅传感器结构,可同时获得细分信号和节距信息信号,用ANSYS软件分析了传感器在静态和动态情况下的磁场规律,得出间隙在1mm到2mm之间,可以得到比较好的输出信号。 2)引入CORDIC算法对细分信号进行细分,对16位CORDIC算法进行优化,减少了2/3的ROM空间,将适用范围提升到整个360。,仿真后可以对一个周期的信号进行215细分,解决了精度低的问题。 3)对磁编码进行研究,引入m序列简化编码的步骤,可以很容易的得到编码序列,适应于直线,圆环的编码,简化编码的步骤和难度,解决磁场传感器的难以实现绝对位移的问题。

长沙理工大学2018年硕士研究生初试试题

matlab代码影响基于自动编码器的单图像超分辨率 介绍 单图像超分辨率（SISR）是计算机视觉中的不适定问题，并且在视频编码的背景下显示出其潜力。 自从SRCNN [1]模型首次提出以来，训练基于深度学习的模型来执行超分辨率已成为该领域的当前研究重点。 基于深度学习的超分辨率的当前流程如图1所示。首先使用双三次/ SHVC方法将原始图像降采样为低分辨率图像，然后通过插值方法将低分辨率图像放大。 插值图像用于深度学习模型的训练和测试。 图1：当前基于深度学习的SISR模型的一般结构。 在该项目中，发现不同的下采样方法对基于深度学习的SISR模型的训练和性能有深远的影响。 使用几乎没有别名的下采样和内插方法进行训练对网络恢复高一半频率的信息没有帮助。 基于这些结论，设计了一种可以同时学习下采样和上采样操作的自动编码器模型，希望该自动编码器模型可以学习适当的下采样方法，以便在上半频率范围内获得更多信息。可以恢复的。 测试结果表明，与VDSR [2]模型相比，该自动编码器模型可以实现更高的PSNR值。 自动编码器模型的结构如图2所示。图2：基于自动编码器的SISR模型的结构。 表1给出了测试

网课答案