flexnoc的NIU

FlexNOC

arteris公司提供一系列工具,来完成NOC的生成,包括model,netlist,TB,script 生成包括三个阶段: NoC specification Phase:使用FlexArtist Specification Editor,定义socket,domain(power,clock) mapping(Memory,Connectivity,User bits) 之后可以进行Exploration,进行program model和architecture model的simulati

Python之tkinter：调用python库的tkinter带你进入GUI世界(二)——Jason niu

#tkinter:tkinter应用案例之便签框架LabelFrame的应用将组件(多选按钮)放到一个框架里 from tkinter import * root=Tk() root.title("Jason niu工作室") group=LabelFrame(root,text="关于区块链技术,你想了解的是哪方面的知识?",padx=5,pady=5) group.pack(padx=15,pady=15) LANGS=[("共识机制",1)

Python之tkinter：调用python库的tkinter带你进入GUI世界(一)——Jason niu

#tkinter应用案例五:Label组件设图片为背景并点击按钮触发事件 from tkinter import * from PIL.ImageTk import PhotoImage from sqlalchemy.testing.exclusions import compound def callback(): var.set("正在进入学习空间……") root=Tk() #实例化TK root.title("Jason niu工作室") frame1=F

Py：数据挖掘之对个人微信朋友圈好友的性别、区域、昵称、签名信息进行情感分析——Jason niu

#Py:数据挖掘之对微信朋友圈好友的性别.区域.昵称.签名信息进行情感分析——Jason niu import os import re import csv import time import json import jieba from jieba import analyse import itchat import base64 from snownlp import SnowNLP import requests import sys from collections import

BlockChain：Py实现区块链简单场景应用：程序猿记录在区块里的收入记录图——Jason niu

# -*- coding: utf-8 -*- ''' Created on 2018年3月11日 @author: Jason niu ''' import hashlib #该模块实现了诸多安全哈希和消息摘要算法的通用接口,包括 FIPS 安全哈希算法: SHA1.SHA224. SHA256.SHA384.RSA的 MD5 等等算法 import uuid #通用唯一标识符 ( Universally Unique Identifier ), 对于所有的UUID它可以保证在空间和时间上的唯

PLS：利用PLS(两个主成分的贡献率就可达100%)提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》—Jason niu

load spectra; temp = randperm(size(NIR, 1)); P_train = NIR(temp(1:50),:); T_train = octane(temp(1:50),:); P_test = NIR(temp(51:end),:); T_test = octane(temp(51:end),:); k = 2; [Xloadings,Yloadings,Xscores,Yscores,betaPLS,PLSPctVar,MSE,stats] = plsreg

PCA：利用PCA(四个主成分的贡献率就才达100%)降维提高测试集辛烷值含量预测准确度并《测试集辛烷值含量预测结果对比》—Jason niu

load spectra; temp = randperm(size(NIR, 1)); P_train = NIR(temp(1:50),:); T_train = octane(temp(1:50),:); P_test = NIR(temp(51:end),:); T_test = octane(temp(51:end),:); [PCALoadings,PCAScores,PCAVar] = princomp(NIR); figure percent_explained = 100 *

程序猿最浪漫的表白，肯定会得到你的她——Jason niu 原文来自GitHub，本人已部分修改

程序猿最浪漫的表白,肯定会得到你的她——Jason niu 原文来自GitHub,主页本人已部分修改,感谢程序猿大神wuxia2001和hackerzhou的开源,感谢这两位大神! 视频结果展示网址:http://v.youku.com/v_show/id_XMzQzNjY5NTgxMg==.html?spm=a2h3j.8428770.3416059.1 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" &q

SA：利用SA算法解决TSP(数据是14个虚拟城市的横纵坐标)问题——Jason niu

%SA:利用SA算法解决TSP(数据是14个虚拟城市的横纵坐标)问题——Jason niu X = [16.4700 96.1000 16.4700 94.4400 20.0900 92.5400 22.3900 93.3700 25.2300 97.2400 22.0000 96.0500 20.4700 97.0200 17.2000 96.2900 16.3000 97.3800 14.0500 98.1200 16.5300 97.3800 21.5200 95.5900 19.4100

SA：T1编写主函数法和T2Matlab自带的SA工具箱GUI法，两种方法实现对二元函数优化求解——Jason niu

%SA:T1法利用Matlab编写主函数实现对定义域[-5,5]上的二元函数求最优解—Jason niu [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20; figure mesh(x,y,z) hold on xlabel('x') ylabel('y') zlabel('z') title('SA:利用SA最优化,定义域[-5,5]上的二元函数z = x^2

ACA：利用ACA解决TSP优化最佳路径问题——Jason niu

load citys_data.mat n = size(citys,1); D = zeros(n,n); for i = 1:n for j = 1:n if i ~= j D(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2)); else D(i,j) = 1e-4; end end end m = 50; alpha = 1; beta = 5; rho = 0.1; Q = 1; Eta = 1./D; Tau = ones(n,n); Tab

PSO：利用PSO+ω参数实现对一元函数y = sin(10pix) ./ x进行求解优化，找到最优个体适应度—Jason niu

x = 1:0.01:2; y = sin(10*pi*x) ./ x; figure plot(x, y) title('绘制目标函数曲线图—Jason niu'); hold on c1 = 1.49445; c2 = 1.49445; maxgen = 50; sizepop = 10; Vmax = 0.5; Vmin = -0.5; popmax = 2; popmin = 1; ws = 0.9; we = 0.4; for i = 1:sizepop pop(i,:) = (ran

PSO：利用PSO算法优化二元函数，寻找最优个体适应度—Jason niu

figure [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20; mesh(x,y,z) hold on c1 = 1.49445; c2 = 1.49445; maxgen = 1000; sizepop = 100; Vmax = 1; Vmin = -1; popmax = 5; popmin = -5; for i = 1:sizepop pop(i,:)

PSO：利用PSO实现对一元函数y = sin(10pix) ./ x进行求解优化，找到最优个体适应度—Jason niu

x = 1:0.01:2; y = sin(10*pi*x) ./ x; figure plot(x, y) title('绘制目标函数曲线图—Jason niu'); hold on c1 = 1.49445; c2 = 1.49445; maxgen = 50; sizepop = 10; Vmax = 0.5; Vmin = -0.5; popmax = 2; popmin = 1; for i = 1:sizepop pop(i,:) = (rands(1) + 1) / 2 + 1;

GA：GA优化BP神经网络的初始权值、阈值，从而增强BP神经网络的鲁棒性—Jason niu

global p global t global R % 输入神经元个数,此处是6个 global S1 % 隐层神经元个数,此处是10个 global S2 % 输出神经元个数,此处是4个 global S % 连接权值个数+阈值个数即(6*10+10*4)+(10+4) S1 = 10; p = [0.01 0.01 0.00 0.90 0.05 0.00; 0.00 0.00 0.00 0.40 0.50 0.00; 0.80 0.00 0.10 0.00 0.00 0.00; 0.00

GA：利用GA对一元函数进行优化过程，求x∈(0,10)中y的最大值——Jason niu

x = 0:0.01:10; y = x + 10*sin(5*x)+7*cos(4*x); figure plot(x, y) xlabel('independent variable') ylabel('dependent variable') title('GA:y = x + 10*sin(5*x) + 7*cos(4*x)利用算法求解最优解—Jason niu') initPop = initializega(50,[0 10],'fitness'); [x endPop bpop t

RF：RF实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性—Jason niu

%RF:RF实现根据乳腺肿瘤特征向量高精度(better)预测肿瘤的是恶性还是良性 load data.mat a = randperm(569); Train = data(a(1:500),:); Test = data(a(501:end),:); P_train = Train(:,3:end); T_train = Train(:,2); P_test = Test(:,3:end); T_test = Test(:,2); model = classRF_train(P_train,

DT：DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性—Jason niu

%DT:DT实现根据乳腺肿瘤特征向量高精度预测肿瘤的是恶性还是良性 load data.mat a = randperm(569); Train = data(a(1:500),:); Test = data(a(501:end),:); P_train = Train(:,3:end); T_train = Train(:,2); P_test = Test(:,3:end); T_test = Test(:,2); ctree = ClassificationTree.fit(P_train

ELM：ELM实现鸢尾花种类测试集预测识别正确率(better)结果对比—Jason niu

load iris_data.mat P_train = []; T_train = []; P_test = []; T_test = []; for i = 1:3 temp_input = features((i-1)*50+1:i*50,:); temp_output = classes((i-1)*50+1:i*50,:); n = randperm(50); P_train = [P_train temp_input(n(1:40),:)']; T_train = [T_train

ELM：ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu

%ELM:ELM基于近红外光谱的汽油测试集辛烷值含量预测结果对比—Jason niu load spectra_data.mat temp = randperm(size(NIR,1)); P_train = NIR(temp(1:50),:)'; T_train = octane(temp(1:50),:)'; P_test = NIR(temp(51:end),:)'; T_test = octane(temp(51:end),:)'; N = size(P_test,2); [Pn_tra

巴特西