应移动互联实验需求，实现手机与蓝牙之间的通信，即单片机检测的温度通过蓝牙模块传送到手机上。
特地在网上找了蓝牙连接程序，下载有七八个就发现这个还行，经过修改效果不错。
特地在网上找了蓝牙连接程序，下载有七八个就发现这个还行，经过修改效果不错。
2024/9/17 17:41:01
77KB
1
实验目的：抑制呼吸波干扰以及人体动作引起的基线漂移等噪声；
实验方案：分析基线漂移产生原因，利用MATLAB软件，采用常用消除基线漂移算法做仿真，并对比效果、分析原因。
实验步骤：查找消除ECG基线漂移相关文献；
方案确定：消除基线漂移算法；
并利用MATLAB软件仿真，查看不同算法效果；
实验方案：分析基线漂移产生原因，利用MATLAB软件，采用常用消除基线漂移算法做仿真，并对比效果、分析原因。
实验步骤：查找消除ECG基线漂移相关文献；
方案确定：消除基线漂移算法；
并利用MATLAB软件仿真，查看不同算法效果；
2024/9/17 3:17:55
720KB
1
在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
2024/9/16 15:29:46
5.33MB
1
为了提供满足客户需求的组合Web服务,将Web服务的属性分为功能属性和非功能属性(即服务质量QoS属性).通过服务类对功能属性进行划分,并按照服务类以QoS属性的组合类型方式进行服务组合.提出了将基于QoS的服务选择转换成有限方案的多目标决策问题,同时给出选择组合服务的最优执行计划的规划算法.实验表明此方法既利用了现有工作流技术的成果,又具有动态绑定和QoS支持.
2024/9/16 15:19:23
976KB
1
条纹计数法的分辨率精度，而常用的高级外部差调频校准法（如相位差生成载波法，线性调频法），在光源调频过程中伴生有幅度调制和调制调制系统复杂。
提出了一种基于双光纤光路相位偏移的法布里-珀罗（FP）位移传感器，原理上省去了光源调频过程，在提高检测精度的同时，成本与条纹计数法相当。
位移测量实验结果表明，该传感器在0〜500μm的测量范围内，线性度为1.1％，误差界限为±3μm。
提出了一种基于双光纤光路相位偏移的法布里-珀罗（FP）位移传感器，原理上省去了光源调频过程，在提高检测精度的同时，成本与条纹计数法相当。
位移测量实验结果表明，该传感器在0〜500μm的测量范围内，线性度为1.1％，误差界限为±3μm。
2024/9/16 14:17:35
605KB
1
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。
2024-04-09 15:03
15KB