SOM神经网络 SOM神经网络是一种基于模型的聚类方法。SOM神经网络由输入层和竞争层组成。 输入层由N个输入神经元组成，竞争层由mm = M个输出神经元组成，且形成一个二维平面阵列。 输入层各神经元与竞争层各神经元之间实现全互连接。 该网络根据其学习规则，通过对输入模式的反复学习，捕捉住各个输入模式中所含的模式特征，并对其进行自组织，在竞争层将聚类结果表现出来，进行自动聚类。竞争层的任何一个神经元都可以代表聚类结果。

本文主要介绍了JAVA简单工厂模式（从现实生活角度理解代码原理）的相关知识。具有很好的参考价值。下面跟着小编一起来看下吧

Delphi使用IdHTTP控件操作Cookies的例子，之前没发现此类相关的例子，找的好辛苦，后来自己摸索写出来的，希望对各位有帮助。

此代码摘自“ Nikesh Bajaj”的“时分多路复用” http://www.mathworks.com/matlabcentral/fileexchange/30419-time-division-multiplexing 但它以 GUI 形式制作以方便用户使用。 用户应输入三个离散时间信号（值用空格分隔），然后按“ Multiplex”以查看三个信号和多路复用序列。 注意：这两个文件（tdm.fig 和 tdm.m）应该在同一个文件夹中，以避免在运行 m 文件时出现任何错误。

as3 xml 配置 图片轮播 非常好的例子 值得收藏,解压密码是：www.xwuxin.com

里面有16个控件的使用实例 每个都有源码 程序都有注释 是十分有用和值得借鉴的书

svm练习的几个例子 数据挖掘中新方法svm

yii1.1.10 开发包（包含yii权威指南以及yii博客例子讲解）

2.7 几个实际建模问题的例子 2.7.1 飞机定位 问题 飞机在飞行过程中，能够收到地面上各个监控台发来的关于飞机当前位置的信 息，根据这些信息可以比较精确地确定飞机的位置。如图2-4所示，VOR是高频多向导航设备 的英文缩写，它能够得到飞机与该设备连线的角度信息；DME是距离测量装置的英文缩写， 它能够得到飞机与该设备的距离信息。图中飞机接收到来自3个VOR给出的角度和1个DME给 出的距离（括号内是测量误差限），并已知这4种设备的x，y坐标（假设飞机和这些设备在同 一平面上）。如何根据这些信息精确地确定当前飞机的位置？ 模型 记 4 种设备 VOR1、VOR2、VOR3、DME 的坐标为（xi，yi）（以 km 为单位）， i=1，2，3，4；VOR1、VOR2、VOR3 测量得到的角度为 iθ （按照航空飞行管理的惯例，该 角度是从北开始，沿顺时针方向的角度，取值在 00~3600 之间），角度的误差限为 iσ ，i=1，2， 3；DME 测量得到的距离为 d4 (km)，距离的误差限为 4σ 。设飞机当前位置的坐标为（x，y）， 则问题就是在以下已知数据下计算（x，y）： xi yi 原始的 iθ (或 d4） iσ 转换后的 iθ （弧度） VOR1 746 1393 161.20 0.80（0.0140 弧度） 2.8135 VOR2 629 375 45.10 0.60（0.0105 弧度） 0.7871 VOR3 1571 259 309.00 1.30（0.0227 弧度） -0.8901 DME 155 987 d4=864.3（km） 2.0（km）

关于matlab中s-function参数设置的两个例子讲解详尽受益匪浅（3页）.pdf