Linuxl下C编程系列--C语言(容易疏忽的问题)l

基于炬芯ATS308X平台的MFCC-HMM隐马尔科夫模型语音识别算法实现 本文介绍ATS3089P开发板的UART自动烧录与普通重启机制,基于v1.4全自动工具实现。默认勾选“手动验证”不启用,点击“自动烧录.fw”后,上位机在收到PLEASEREBOOTDEVICE提示时自动发送普通复位,无需人工干预。系统通过跟踪COM11下载、校验及应用启动状态,确保完整流程成功。固件使用appflash_rebootnormal5000指令,支持独立普通重启,仅需连接CDC端口。工具具备源码身份校验与版本一致性检查,防止旧窗口误操作。实测验证通过,结果为success=true、flash 阅读详情

编译预处理
三种预处理命令
1.宏定义
2.包含文件 #include
3.条件编译

定义 #define S(a,b) a*b
引用 S(a+c,b+c)
展开 a+c*b+c

条件编译
#define DEBUG  //调试版本,在发布版本中把这句删除,那么程序中调试部分不会起作用


情况一:
#if常量表达式
 程序段1
#else
 程序段2
#endif

情况二:

#ifef 标识符       //是否已经定义
 程序段1
#else
 程序段2
#endif

常见:
#ifdef DUBUG

或者:
#ifndef
#endif

指针
指针函数:返回值为指针类型的函数
函数指针   int (*p)(); p是函数名,代表函数入口地址

例:
#include<stdio.h>

main()
{
 int max();
 int (*p)();
 int a,b,c;
 p=max;
 scanf("%d,%d",&a,&b);    //输入a.b。以逗号隔开
 c=(*p)(a,b);
 printf("a=%d,b=%d,max=%d",a,b,c);
}

int max(int x,int y)
{
 int z;
 if(x>y)
 z=x;
 else
 z=y;
 return z;
}

*p++ :*p,然后p+1;
*++p :p+1,然后取*p;

例:
#include<stdio.h>
main()
{
 int a[]={1,2,3,4,5};
 int* p=a+3;
 printf("%d,%d,%d/n",*p,*(p+1),*p+3);
}
输出结果是:4,5,7

结构体、共同体、位段
结构体
共同体:不能对共同体变量进行初始化,也不能将共同体变量作为函数参数,以及使用函数返回一个共同体数据,但是可以使用指向共同体变量的指针

typedef 定义已有类型的别名,记住:只是别名,不能创建新类型
typedef与#define有相似之处,但二者是不同的:前者是编译器在编译时处理的;后者是由编译预处理时处理,而且只能作简单的字符串替换。

位段结构:
有时,存储1个信息不必占用1个字节,只需要二进制的1个位就够用了。

注意:在windows下:
BOOL其实是整型,而bool类型是字节型。经测试:BOOL占4个字节,而bool只占1个字节
还有一点:为了和另外一些语言谦容,bool是C++的关键字,BOOL是API用的,MFC派生于API。所以在用MFC时,尽量不要动那些BOOL类型,至于bool型,一般修改后没什么特别的问题。 

应用程序向导 应用程序向导  何志丹            使用应用程序向导可以快速生成程序框架。选择菜单“File→New”命令,此时会弹出“New”对话框,下面对该对话框中的常用选项进行逐一说明。1.文件(Files)属性页 单击“Files”标签,打开“Files”属性页,如图1-3所示。图1-3  文件属性页文件类型虽然多,但常用的只有两种:C/C++ Header Fi 阅读详情

相关推荐

政府科技管理者如何提升科技成果转化项目进场交易的备案效率?.docx

政府科技管理者如何提升科技成果转化项目进场交易的备案效率?

Linux中cp总是提示覆盖文件的解决办法

把a目录下的文件复制到b目录 cp –r a/* b 执行上面的命令时,b存在的每个文件都会提示是否覆盖; cp –r –f a/* b 执行上面的命令时,b存在的每个文件都不再会提示; 这是我们希望的理想状态,但是有时加了 -f了,怎么还会有提示呢?原来一些服务器会默认增加别名 alias cp =’cp -i’,当你执行cp 时, 其实执行的是cp –i。 在终端执行alias就可以

better_xiaoxuan的博客 3380

山区道路边坡落石隐患检测数据集VOC+YOLO格式241张1类别.md

【重要提示】本页面仅为资源介绍,不含外部下载地址 亲爱的 优快云 用户: 感谢你浏览本资源页面,在这里提前向大家说明相关情况,避免后续产生误解。本资源我设置的初衷是 0 积分免费分享文档介绍,希望可以无偿给到有需要的朋友。但 优快云 平台存在自动调控机制,系统会根据资源下载热度、文件体积、平台规则等因素,自动修改资源所需下载积分,页面显示为 1 积分、2 积分或更高积分都属于平台自动调整结果,并非我手动修改设置,我没有权限自主锁定积分数值。 如果你打开页面后,发现下载所需积分不为 0,请务必谨慎考虑是否下载。一旦你支付积分完成下载,后续遇到资源内容和描述不符、文件损坏等问题,我无法承担对应的积分损失,也没有渠道为你办理积分退还。在此强烈建议,只有页面明确显示 0 积分的时候,再进行下载操作。 同时特别说明:这份资源介绍文案里,没有附带任何外部下载地址。资源本身是通过 优快云 官方上传通道上传的附件,正常情况下直接点击页面自带的下载按钮即可获取文件。页面找不到外部下载链接属于正常情况,并非资源缺失。 如果因为平台积分显示异常,导致你被扣取积分,积分退款、积分异常相关问题,请直接联系 优快云 官方客服咨询处理。平台规则由官方制定,我无法干预积分变动,望各位理解。

linux下的c语言控制灯闪烁,Linuxl下C编程系列--C语言(容易疏忽的问题)l

编译预处理三种预处理命令1.宏定义2.包含文件 #include3.条件编译定义 #define S(a,b) a*b引用 S(a+c,b+c)展开 a+c*b+c条件编译#define DEBUG //调试版本,在发布版本中把这句删除,那么程序中调试部分不会起作用情况一:#if常量表达式程序段1#else程序段2#endif情况二:#ifef 标识符 //是否已经定义程序段1#...

weixin_36051064的博客 214

高空作业栏杆检测数据集VOC+YOLO格式230张3类别.md

【重要提示】本页面仅为资源介绍,不含外部下载地址 亲爱的 优快云 用户: 感谢你浏览本资源页面,在这里提前向大家说明相关情况,避免后续产生误解。本资源我设置的初衷是 0 积分免费分享文档介绍,希望可以无偿给到有需要的朋友。但 优快云 平台存在自动调控机制,系统会根据资源下载热度、文件体积、平台规则等因素,自动修改资源所需下载积分,页面显示为 1 积分、2 积分或更高积分都属于平台自动调整结果,并非我手动修改设置,我没有权限自主锁定积分数值。 如果你打开页面后,发现下载所需积分不为 0,请务必谨慎考虑是否下载。一旦你支付积分完成下载,后续遇到资源内容和描述不符、文件损坏等问题,我无法承担对应的积分损失,也没有渠道为你办理积分退还。在此强烈建议,只有页面明确显示 0 积分的时候,再进行下载操作。 同时特别说明:这份资源介绍文案里,没有附带任何外部下载地址。资源本身是通过 优快云 官方上传通道上传的附件,正常情况下直接点击页面自带的下载按钮即可获取文件。页面找不到外部下载链接属于正常情况,并非资源缺失。 如果因为平台积分显示异常,导致你被扣取积分,积分退款、积分异常相关问题,请直接联系 优快云 官方客服咨询处理。平台规则由官方制定,我无法干预积分变动,望各位理解。

ti-cgt-c2000-22.6.0.LTS-windows-x64-installer

ti-cgt-c2000-22.6.0.LTS-windows-x64-installer

Linuxl下C编程系列--Shell(续)

shell的输入与输出主要包括:echo命令read命令cat命令管道tee命令标准输入、输出和标准错误重定向echo [-e] [-n]  stringstring : 字符串,可以含 shell 变量、转义符等,  一般用双引号括起来-e :  让 echo 解释 string 中的转义符-n :  禁止 echo 输出后输出 NEWLINE(换行)cat [-n][-b][-t][-

Nicholas黎的专栏 2183

comsol 多物理场仿真流程-以开关柜为例

1、主要方法 在SolidWorks中对于开关柜的内部与外部结构进行建模,生成能够导入软件计算的3D模型。将SolidWorks中的模型导入comsol软件中,设置参数进行多物理场耦合仿真。 1、具体步骤 删除高压开关柜中对其内部电磁环境无较大影响的结构,如低压测量柜、断路器内部结构等。 导入模型:将厂家提供的3D模型转化为solidworks结构模型。 修复模型:修复已转化模型中转化错误的部分、修复已转化模型中非实体部分、修复已转化模型中重叠实体部分 化简模型:去除过于...

健忘16的博客 7020

Linux-Unix—Windows

Linux和Windows的区别 和Linux一样,Windows系列是完全的多任务操作系统。它们支持同样的用户接口、网络和安全性。但是,Linux和Windows的真正区别在于,Linux事实上是Unix的一种版本,而且来自Unix的贡献非常巨大。是什么使得Unix如此重要?不仅在于对多用户机器来说,Unix是最流行的操作系统,而且在于它是免费软件的基础。在Internet上,大量免费软件都是针

Nicholas黎的专栏 1588

Innovus Function ECO实战:5步搞定数字后端设计中的网表修正(含Calibre LVS验证技巧)

本文提供了一份完整的Innovus Function ECO实战指南,详细解析了数字后端设计中网表修正的五步流程。从理解Function ECO概念、准备关键文件,到在Innovus中执行逻辑比对、自动布线及GUI检查,并重点攻克了ECO后Calibre LVS验证的难点与调试技巧,帮助工程师高效、精准地完成流片前的设计微调。

day7的博客 950

移动通信基础(13)TDL、CDL、信道相关性

参考《U型槽无线信道多径传播特性测量与建模方法的研究》、《5G信号源中的信道模拟与仿真研究》衰落衰落理解为信号幅度在时间和频率上的不断波动,是无线信道一个重要的恶化特性。信道幅度恶化的两个主要来源分别是加性噪声和信号衰落,高斯白噪声信道模型就是典型的加性噪声,信号衰落引起的是乘性的信号扰动,与加性噪声从原理上完全不同。信道的频率选择性衰落组为无线信道的重要特征之一,是人们进行无线系统设计考虑的重要因素,决定了导频隔间的大小。...

tybAly的博客 2万+

Linuxl下C编程系列--基础知识及基本命令

Linux下C开发编辑器:VI编译器:选择GNU C/C++编译器gcc调试器:应用广泛的gdb函数库:glibc系统头文件:glibc_header若想开发图形界面,还需选上GNOME(c)/KDE(c++)软件开发IDE:(大多数人还是直接使用gcc)Kylix:号称Linux下的DephiKdevelopRHIDE:类似Turbo C++  (很少人使用)要构架一个完整的C开发环境,

Nicholas黎的专栏 1578

FPGA进位链(Carry Chain)实战:从Xilinx CARRY8原语到性能优化全解析

本文深入解析了FPGA进位链(Carry Chain)的原理与应用,重点剖析了Xilinx CARRY8原语的端口功能与内部机制。通过实测数据揭示了进位链的真实延迟特性与温度影响,并详细阐述了如何利用DI和S信号进行动态路径优化、实现减法运算与条件进位选择,从而有效提升设计性能。最后,文章探讨了系统级的流水线拆分、布局约束等实战优化策略与常见陷阱。

weixin_29313817的博客 454

Linuxl下C编程系列--Shell

shell脚本(.sh):类似windows下的批处理bat.文件比批处理强大,已经是一强大的编程语言了。echo "please enter your name:";read fname;echo ${fname}   //{}可以省略默认数据类型为 字符类型env 查看环境变量echo $HOME  查看当前用户目录echo $PATH./执行;也可以修改vi /etc/pro

Nicholas黎的专栏 1248

8. Spring Ai之入门到精通(超级详细)

Spring AI 1.0.0 M1里程碑版本发布,标志着 Java 终于踏进Ai的时代半只脚。

gorgor在码农 3万+

基于R-CNN深度学习的常见手势识别系统:数据集、模型和UI界面的完整实现

卷积神经网络(CNN):用于从图像中提取特征。区域提议网络(RPN):用于生成可能包含手势的候选区域。:将候选区域调整为固定大小,并进行进一步的分类和回归。接下来,我们需要加载一个预训练的Faster R-CNN模型,并对其进行微调。我们将使用# 加载预训练的Faster R-CNN模型# 获取分类器的输入特征数# 替换分类器头部,设置为我们数据集的类别数(假设有5类手势)

YOLO 1001

Vi编辑器的使用

vi 后边的文件可以不存在!退出保存后会自动保存到这个文件里esc 模式转换:q  退出:q! 强制退出:w  加文件名:wq 保存退出dd删除一行D把光标后边的内容删除dw删除光标后一个单词cc删除一行后替换cw删除替换一个单词r替换(replace)一个字符,按n跳到下一个(N上一个)替换(与查找结合)i插入inserta就是append/**,回车。查找**,从前往后找?**,

Nicholas黎的专栏 1164

AI算力网络与通信领域QoS保障的测试方法

在当今数字化时代,AI技术蓬勃发展,AI算力网络应运而生。它将分布在不同地理位置的算力资源进行整合,以高效地支持各种AI应用,如深度学习训练、智能图像识别等。而通信领域则是信息传输的基石,确保数据能够准确、快速地在不同节点之间传递。QoS保障在通信领域至关重要,它可以确保不同类型的业务(如语音通话、视频会议、在线游戏等)获得与其需求相匹配的服务质量。在AI算力网络中,QoS保障同样不可或缺,因为AI任务对网络的带宽、延迟、可靠性等指标有严格要求。

AI算力网络与通信的博客 529

量化数据管道实战:从接口调用到生产级落库(第 15 篇):下半场导览与增量水位线设计

daily表建起来了,幂等写入的钥匙(复合主键)也交到了你手上。但真正的生产环境会立刻追问四个问题——数据怎么一直保持最新(增量调度)?不同来源的时间轴怎么对得上(多源对齐)?这套脚本怎么长期跑下去不出事(生产化)?落库还能再快再稳吗(落库进阶)?这就是下半场(第 15–28 篇)要解决的问题。本篇是下半场的主推篇,既是导览也是一篇技术文章给你一张覆盖第 15–28 篇的地图;增量水位线(watermark)设计与幂等写入原则——它决定了"只拉新数、重跑不重"能不能成为整条管道的默认行为;

2601_96840033的博客 2366

Ubuntu 系统下安装 OpenClaw(原 Clawdbot)的详细指南

Ubuntu 系统下安装 OpenClaw(原 Clawdbot)的详细指南

Science prince的博客 3535

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

【图像与信号处理】基于MFCC与DTW融合的声纹识别算法在移动支付中的优化研究

本研究针对移动支付中声纹识别面临的噪声干扰、设备差异与安全挑战,优化MFCC与DTW融合算法:引入小波降噪与自适应Mel滤波器提升特征鲁棒性,设计轻量化模型适配嵌入式平台;提出加权DTW路径约束、模板自适应更新及两步匹配策略,结合动态门限判决增强防攻击能力。实验表明,算法识别准确率显著提升,响应时间<3秒,具备高噪声鲁棒性、跨设备兼容性与实时性,为移动支付提供了高效安全的声纹认证方案。

汉斯出版社旗下编辑,定期更新计算机前沿论文 163

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

05 · 动态分析 — x64dbg 与调试技术

本章系统讲解Windows平台下基于x64dbg的动态分析技术,涵盖界面操作、四类断点(软件、硬件、内存、条件)、内存分析、调用栈与参数观察、高级技巧(API断点、消息断点、追踪、补丁)及插件生态。结合静态分析(IDA)与动态调试联动工作流,通过三个实践项目强化技能落地,助力掌握程序运行时行为分析核心能力。

2503_91800161的博客 569

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

从零搭建半导体设备上位机(八):自定义控件(二),阀门控件家族——气体阀、水阀、MFC 阀

自定义控件(二):阀门控件家族——气体阀、水阀、MFC 阀 这是「从零搭建半导体设备上位机」系列第8篇。上一篇讲状态灯,这一篇讲阀门。阀门控件是这套界面里被点得最多的东西,也是最容易出安全事故的地方。 从一条 git 记录说起 翻提交历史,有一条特别短: "添加透明按钮用于点击"——这句话本身就说明出了问题:原来的点击区域不能点了。 事实是:气体阀控件用的是三张素材图(关闭态、打开态、中间态),切

samble的专栏 354
上一篇: Linuxl下C编程系列--Shell
下一篇: 我打赌,你小时侯肯定写过这些话
Image_Graphics
博客等级 码龄20年 18粉丝 52原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值