在一些实验室或高要求场合，为了实验人员的安全，一般将实验的输入电源采用1：1的工频变压器与市电进行隔离，这样一来，实验室实验人员无论碰到线路的哪一根线都不会有触电的危险，因为隔离电源与大地是没有连接的。在工业控制设备中，有时候要求两个系统之间的电源地线隔离，如隔离地线噪声、隔离高共模电压等，采用带变压器的直流变换器，将两个电源之间隔开，使他们相互独立。 　　在一般的隔离电源中，光耦隔离反馈是一种简单、低成本的方式。但对于光耦反馈的各种连接方式及其区别，目前尚未见到比较深入的研究。而且在很多场合下，由于对光耦的工作原理理解不够深入，光耦接法混乱，往往导致电路不能正常工作。本研究将详细分析光耦工作

...

常微分方程的边值问题的一种解法，即简单打靶法

Vb枚举系统输入法并切换输入法 你看到的文件来自：E动天下(http:/www.2e3.org)

主要介绍了thinkPHP5框架闭包函数与子查询传参用法,结合实例形式分析了thinkPHP5闭包查询与参数传递相关操作技巧,需要的朋友可以参考下

西电 数字信号处理 第三次上机实验 窗函数法 设计FIR数字带通滤波器

最优化实验之变尺度法 double f (double coe[], double x[])//返回函数值待求函数的函数值 { return coe[0]*pow(x[0],2)+coe[1]*pow(x[1],2)+coe[2]*x[0]*x[1]+coe[3]*x[0]+coe[4]*x[1]+coe[5]; } void grads (double coe[], double x[],double grads_x[]) //二维函数梯度函数定义 { grads_x[0] = 2*coe[0]*x[0]+coe[2]*x[1]+coe[3]; grads_x[1] = 2*coe[1]*x[1]+coe[2]*x[0]+coe[4]; } void SD(double h[],double grads_x[],double s[])//定义搜索方向向量函数 { s[0]=-(h[0]*grads_x[0]+h[1]*grads_x[1]); s[1]=-(h[2]*grads_x[0]+h[3]*grads_x[1]); } double findlambda (double coe[], double x[], double s[]) //求解lambda { return(-(2*coe[0]*x[0]*s[0]+2*coe[1]*x[1]*s[1]+coe[2]*x[0]*s[1]+coe[2]*x[1]*s[0]+coe[3]*s[0]+coe[4]*s[1])/(2*coe[0]*s[0]*s[0]+2*coe[1]*s[1]*s[1]+2*coe[2]*s[0]*s[1])); } void H (double h[],double x[],double temp_x[],double grads_x[],double temp_g[] )//求解变化矩阵H

火龙果软件工程技术中心关键词：CMMI、软件工程、MA、度量、PP、项目计划、项目估算功能点估算法是软件项目管理众多知识中比较有技术含量的一个。在软件项目管理中项目计划制定的优劣直接关系到项目的成败，项目计划中对项目范围的估算又尤为重要，如果项目负责人对项目的规模没有一个比较客观的认识，没有对工作量、所需资源、完工时间等因素进行估算，那么项目计划也就没有存在的意义。FP功能点估算法的特点项目范围的估算在CMMI的“MA”度量分析管理和“PP”项目计划中均有涉及，对软件项目范围的估算有很多种方法，常见的就是LOC代码行和FP功能点法，它们之间的区别和关系如下：FP功能点估算法常用在项目开始或项目

这是一份有关测试方法学的文档，相信我，绝对物有所值！软硬件调试九大黄金法则。

基于matlab的svm的留一法代码实现AROMS-机器学习 机器学习的自动表示优化和模型选择框架-AROMS-Framework 这是AROMS-Framework的Matlab源代码的发布。 这是我在德国杜伊斯堡－埃森大学的智能系统小组（Intelligente Systeme）的博士项目的主要贡献。 我的博士学位论文题目为“机器学习的自动表示优化和模型选择框架”在线发表： 英博士Dipl.-Inf。 FabianBürger，2016年7月4日 与我联系的一种方法是：fabuerger | at | gmail | dot | com ==应用领域和方法== AROMS框架的应用领域是针对监督分类问题的数据处理管道的优化。 管道非常适合每项学习任务，由四个连续处理数据的元素组成： 特征选择元素选择有用的特征子集 功能预处理元素应用数据预处理方法，例如重新缩放，L2归一化或预白化 特征变换元素从流形学习和表示学习领域应用合适的特征变换，例如主成分分析（PCA），自动编码器或LLE（局部线性嵌入） 分类器元素包含分类器，并提供了多种选择，例如内核支持向量机（SVM），随机森林或人工神