解压后439.3MB2016年7月最新V3.4--Angle是一个后台管理模板，它也支持以下应用开发：单页应用（SinglePageApplication）、项目管理应用（ProjectManagementSystem）、电子商务应用（E-CommerceAdminDashboard）、CMS、CRM、SAAS、HelpDesk，以及个人及商务应用开发。
该资源包包含以下模板项目包：AngularJS完整应用模板和空模板；
HTML5/jQuery完整应用模板和空模板；
MaterialDesign完整应用模板和空模板；
ASP.NETMVC5/6+AngularJS完整应用模板和空模板；
ASP.NETMVC5/6+HTML5/jQuery完整应用模板和空模板；
RubyonRailsHTML5/jQuery完整应用模板和空模板；
MeteorJS+AngularJS完整应用模板和空模板；
MEANJS完整应用模板和空模板；
ReactJS完整应用模板和空模板；
前台展示页模板。
预览地址：http://themicon.co/theme/angle/v3.3/frontend/site/AngularJS版本Dashboard：http://themicon.co/theme/angle/v3.3/backend-angular/StaticHTML5:http://themicon.co/theme/angle/v3.3/backend-jquery/AngularMaterial:http://themicon.co/theme/angle/v3.3/material/ASP.NETMVC5:http://themicon-001-site1.smarterasp.net/RubyonRails:https://angle-on-rails.herokuapp.com/MeanJS:https://angle-on-mean.herokuapp.com/MeteorJS:https://45.55.64.191/ReactJS:http://themicon.co/theme/angle/v3.3/reactjs/

meanshift均值平移跟踪算法中核函数窗宽的自动选取代码，根据目标大小变化核窗宽，使得当目标出现大小变化时准确跟踪到目标中心.

MeanShift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.Comaniciu等人[3][4]把MeanShift成功的运用的特征空间的分析,在图像平滑和图像分割中MeanShift都得到了很好的应用.Comaniciu等在文章中证明了,MeanShift算法在满足一定条件下,一定可以收敛到最近的一个概率密度函数的稳态点,因此MeanShift算法可以用来检测概率密度函数中存在的模态.

自动选择跟踪窗尺度的Mean-Shift算法

sigmoid函数:nonlin(输出矩阵,矩阵,[是否求导(boolean)])底数矩阵:NumInd(输出矩阵,底常数,矩阵,[矩阵是否要系数(Double)])矩阵指数:ArrInd(输出矩阵,指常数,矩阵,[矩阵是否要系数(Double)])数加矩阵:NumAdd(输出矩阵,加常数,矩阵,[矩阵是否要系数(Double)])数减矩阵:NumSub(输出矩阵,被减数,矩阵,[矩阵是否要系数(Double)])数乘矩阵:NumDot(输出矩阵,被乘数,矩阵,[矩阵是否要系数(Double)])矩阵加法:ArrAdd(输出矩阵,矩阵A,矩阵B,[结果是否要系数(Double)])矩阵减法:ArrSub(输出矩阵,矩阵A,矩阵B,[结果是否要系数(Double)])哈达玛积:ArrDot(输出矩阵,矩阵A,矩阵B,[结果是否要系数(Double)])数乘矩阵:NumDot(输出矩阵,乘常数,矩阵)矩阵乘法:Dot(输出矩阵,矩阵A,矩阵B)矩阵可视化:ArrVis(矩阵)输出字符串转置矩阵:ArrT(输出矩阵,矩阵,[结果是否要系数(Double)])一维数组矩阵化:ArrA(输出矩阵,列数,一维数组)元素矩阵化:Arr(输出矩阵,列数,元素1,元素2,元素3...)矩阵绝对值:ArrAbs(输出矩阵,矩阵,[结果是否要系数(Double)])矩阵元素平均:Mean(矩阵)输出双精度小数随机小数矩阵:Rand(输出矩阵,行数,列数,[矩阵是否要系数])随机整数矩阵:intRand(输出矩阵,行数,列数,下限,上限)

本人作为matlab初学者，在研读PCANet源代码过程中，对im2col_mean_removal.m，PCA_FilterBank.m，PCANet_output.m，HashingHist.m和PCANet_train.m中的相关函数做了详细的注释

利用matlab编写的K均值图像分类程序

=高斯混合模型行人检测，Mean-Shift跟踪计数，实现行人准确跟踪，在线统计人数，安防预测

用C语言实现了高斯白噪声数据的产生Routinemrandom:Togeneratetherandomnumber(pseudo-whitenoise).inputParameters:n:therandomdatanumberrequested;integer.iseed:theseedforpseudo-randomdatageneration.itmustbeinitializedbymainprogram(suggestedvalueisISEED=12357),andtherandomnumberiscycled,thecyclelength=1,048,576itype:randomdatadistributiontype,seebelow:itype=1:Uniformdistributed,from0.0to1.0itype=2:Uniformdistributed,Mean=0.0,Variance(方差)(Power)p=1.0itype=3:Uniformdistributed,Mean=0.0,Variance(Power)p=p.itype=4:Gaussiandistributed,Mean=0.0,Variance(Power)p=1.0itype=5:Gaussiandistributed,Mean=0.0,Variance(Power)p=p.p:variance(Power)ofrandom,onlyusedwhenitype=3oritype=5.outparameters:u:ndimensionedrealarray,dataisstoredinu(0)tou(n-1).inChapter1

%用遗传算法进行简单函数的优化clearbn=22;%个体串长度inn=50;%初始种群大小gnmax=200;%最大代数pc=0.75;%交叉概率pm=0.05;%变异概率%产生初始种群s=round(rand(inn,bn));%计算适应度,返回适应度f和累积概率p[f,p]=objf(s);gn=1;whilegn＜gnmax+1forj=1:2:inn%选择操作seln=sel(s,p);%交叉操作scro=cro(s,seln,pc);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mut(scnew(j,:),pm);smnew(j+1,:)=mut(scnew(j+1,:),pm);ends=smnew;%产生了新的种群%计算新种群的适应度[f,p]=objf(s);%记录当前代最好和平均的适应度[fmax,nmax]=max(f);fmean=mean(f);ymax(gn)=fmax;ymean(gn)=fmean;%记录当前代的最佳个体x=n2to10(s(nmax,:));xx=-1.0+x*3/(power(2,bn)-1);xmax(gn)=xx;gn=gn+1endgn=gn-1;%绘制曲线subplot(2,1,1);plot(1:gn,[ymax;ymean]);title('历代适应度变化','fonts',10);legend('最大适应度','平均适应度');string1=['最终适应度',num2str(ymax(gn))];gtext(string1);subplot(2,1,2);plot(1:gn,xmax,'r-');legend('自变量');string2=['最终自变量',num2str(xmax(gn))];gtext(string2);

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。