bp

移动设备上的开发，最重要的一点就是耗电量问题，再优秀的软件，假如耗电量过大的话，必然会成为一个失败的产品。Android设备上解决耗电的一个策略就是休眠，手机在锁屏之后一段时间手机就会休眠，那个时候，无论是屏幕,CPU还是其他模块都会停止工作，这样导致了几个问题： 1.一些通讯软件的心跳包中断，导致掉线 2.若采用UDP连接的情况下，服务器过来的数据包不一定实时。 我们来讲讲如何解决以上的两个问题。 Android手机有两个处理惩罚器，一个叫Application Processor（AP），一个叫Baseband Processor（BP）。AP是ARM架构的处理处理器，用于运行Linux+Android体系；BP用于运行及时操纵体系（RTOS），通信协议栈运行于BP的RTOS之上。非通话时候，BP的能耗基本在5mA以下，而AP只要处于非休眠状况，能耗至少在50mA以上，履行图形运算时会更高。别的LCD工作时功耗在100mA左右，WIFI也在100mA左右。一般手机待机时，AP、LCD、WIFI均进入休眠状况，这时Android中应用法度的代码也会停止运行。 Android为了确保一些关键代码的正确 运行 ，供给了Wake Lock的API，使得应用有权限经由过程代码阻拦AP进入休眠状况（iOS、WP7都没这种器材）。若是不懂得Android设计者的意图而滥用Wake Lock

本文主要内容包括： (1) 介绍神经网络基本原理，(2) AForge.NET实现前向神经网络的方法，(3) Matlab实现前向神经网络的方法 。 第0节、引例 本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set 找到。这里简要介绍一下Iris数据集： 有一批Iris花，已知这批Iris花可分为3个品种，现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。 　　一种解决方法是用已有的数据训练一个神经网络用作分类器。 　　如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题，或者已经了解神经网络基本原理，请直接跳到第二节——神经网络实现。 第一节、神经网络基本原理 1. 人工神经元( Artificial Neuron )模型 人工神经元是神经网络的基本元素，其原理可以用下图表示： 图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值， θ 表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 　　图中