摘要：高斯在研究误差理论时导出误差分布，被称为正态分布或高斯分布。误差分布和正态分布一直被认为是等同的概念，因为数学表达式等同，其参数都是平均值和随机变量与平均

基于STM32的小车底盘查速控制源程序，包含led、蜂鸣器、PWM电机、编码器、PS2遥控手柄、PID控制等源码及使用方法，程序结构清晰易懂，下载压缩包后先阅读说明文件。

摘要：介绍了以单片机为核心，通过倍频电路实现的两同频正弦信号相位差测量的设计，并对该系统的硬、软件作了比较详尽的阐述。关键词：单片机，倍频电路，相位差 1引言本设计目的在于测量出任意两相同频率正弦信号之间的相位差，并将测量结果以数字形式显示出来。具体实现方法为：先通过比较电路将两路同频信号分别转换为相应的脉冲信号，然后将其中的一路信号通过反相器取反后与另一路信号相与，得到一等脉宽的脉冲波形，此脉冲波形的脉宽t，即表示两信号的相位差。将原信号对应的任意一路脉冲信号（周期为T）倍频后，作为单片机计数器的计数脉冲，并对相位差脉冲记数，得记数值为W。设倍频电路的倍频系数为A，则记数脉冲周期为T

YUV420格式视频数据文件求帧差的源码

labview计算输入控件与当前时间的差值，并以HH:MM:SS形式的字符串显示

求实对称矩阵的特征值及特征向量的雅格比法 //利用雅格比(Jacobi)方法求实对称矩阵的全部特征值及特征向量

VMD三维分解图+皮尔逊相关系数标准差阈值筛选特征MATLAB程序，以VMD的K=5分解后的数据为例，绘制出分解后的信号的三维图，之后采用皮尔逊相关系数标准差阈值法筛选出所需特征，若相关系数大于阈值则判断为有效信号，否则为噪声信号。 相关系数介绍 相关系数是变量间相关程度的度量，取值范围介于-1到1之间。正值表示正相关，即变量变化方向是一致的，比如Y随着X的变大而变大；负值表示负相关，变量的变化方向相反，比如Y随着X的变大而变小。绝对值越接近1，表示两个变量之间关系越密切；越接近0，表示两个变量之间关系越不密切。相关系数对应的相关强度如下： 0.8-1.0 极强相关 0.6-0.8 强相关 0.4-0.6 中等程度相关 0.2-0.4 弱相关 0.0-0.2 极弱相关或无相关 相关系数也称为线性相关系数，这是因为，相关系数并不是刻画了X，Y之间一般关系的程度，而只是线性关系的程度。当相关系数为1或-1时，两者有严格的线性关系；当相关系数为0时，则称X与Y不相关。不相关是指X和Y之间没有线性关系，但X与Y之间可能有其他的函数关系，比如平方关系，对数关系(可以通过查看散点图来确定这一点)

以下为OTA升级代码。包括打基础包脚本，OTA升级脚本，CPATCH与DPATCH。等源码。

随着ADC的供电电压不断降低，且输入信号摆幅不断降低，对输入信号共模电压的控制显得越来越重要。交流耦合输入相对比较简单，而直流耦合输入就比较复杂。典型的例子是正交下变频(混频器)输出到ADC输入的电路设计。混频器输出的是差分信号，其共模电压误差往往比较大，在送到ADC输入端之前需要进行滤波并且要把直流电平转换到ADC输入所需的电平上。这样的设计就比较有挑战性。 　　在放大器输出端和ADC输入端之间，往往需要二阶滤波电路。一方面，需要在ADC输入管脚前面放置电容来吸收ADC内采样保持电路的开关干扰。另一方面，需要在放大器输出端放置电阻或电感来隔离这个容性负载，从而确保放大器的输出稳定。设计二阶

一、机器学习的分类： 监督学习（supervised learning）：线性回归，逻辑回归，KNN，神经网络，决策树，集成学习，SVM，贝叶斯，协同过滤，LDA 无监督学习（unsupervised learning）：聚类、关联规则，PCA降维 …… 二、机器学习中主要解决问题包括：分类，回归，聚类，降维 ……