为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
2024/4/14 16:22:47
2.56MB
1
学生成绩管理系统，功能分为：（1）添加功能：程序能够添加不同学生的记录，提供选择界面供用户选择所要添加的类别，要求学号要唯一，如果添加了重复学号的记录时，则提示数据添加重复并取消添加。
（2）查询功能：可根据学号、姓名等信息对已添加的学生记录进行查询，如果未找到，给出相应的提示信息，如果找到，则显示相应的记录信息。
（3）显示功能：可显示当前系统中所有学生的记录，每条记录占据一行。
（4）编辑功能：可根据查询结果对相应的记录进行修改，修改时注意学号的唯一性。
（5）删除功能：主要实现对已添加的学生记录进行删除。
如果当前系统中没有相应的记录，则提示“记录为空！”并返回操作。
（6）统计功能：能根据多种参数进行统计。
能统计学生人数、总分、单科的平均分等。
（7）保存功能：可将当前系统中各类记录存入文件中，存入方式任意。
（8）读取功能：可将保存在文件中的信息读入到当前系统中，供用户进行使用。
（9）排序功能：可按总分和单科成绩排名次。
（2）查询功能：可根据学号、姓名等信息对已添加的学生记录进行查询，如果未找到，给出相应的提示信息，如果找到，则显示相应的记录信息。
（3）显示功能：可显示当前系统中所有学生的记录，每条记录占据一行。
（4）编辑功能：可根据查询结果对相应的记录进行修改，修改时注意学号的唯一性。
（5）删除功能：主要实现对已添加的学生记录进行删除。
如果当前系统中没有相应的记录，则提示“记录为空！”并返回操作。
（6）统计功能：能根据多种参数进行统计。
能统计学生人数、总分、单科的平均分等。
（7）保存功能：可将当前系统中各类记录存入文件中，存入方式任意。
（8）读取功能：可将保存在文件中的信息读入到当前系统中，供用户进行使用。
（9）排序功能：可按总分和单科成绩排名次。
2024/4/14 16:33:44
2MB
1
对基于正交散焦光栅的M2因子测量系统进行了理论研究,该测量系统可以同时测量光束束腰附近9个不同位置处的光强分布,并由二阶矩方法计算束宽,经双曲线拟合得到被测光束的M2因子。
为了优化系统设计和提高系统测量精度,根据高斯光束的薄透镜变换关系,针对基模高斯光束和多模高斯光束,分析被测光束束腰宽度、束腰位置和模式分布对测量系统测量精度的影响。
结果表明,基模高斯光束或者多模高斯光束所对应基模高斯光束的束腰宽度在设计范围内时,系统可在较大的测量距离内具有较高的测量精度。
该研究为实际系统的设计和测量提供了理论指导。
为了优化系统设计和提高系统测量精度,根据高斯光束的薄透镜变换关系,针对基模高斯光束和多模高斯光束,分析被测光束束腰宽度、束腰位置和模式分布对测量系统测量精度的影响。
结果表明,基模高斯光束或者多模高斯光束所对应基模高斯光束的束腰宽度在设计范围内时,系统可在较大的测量距离内具有较高的测量精度。
该研究为实际系统的设计和测量提供了理论指导。
2024/4/14 8:31:45
1.62MB
1
为了提高雷达调制信号在电子对抗环境中的分选准确度，建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
3.03MB
1
在学习前端的过程中，用编辑器写好hmtl\css\javascript代码之后，需要到浏览器中运行才能够看到结果。
有好多的网站，比如菜鸟教程，可以在左边写代码，点击“运行”，可以在右边的窗口的显示运行的结果。
经过摸索，发现要实现这一功能特别的简单，就是采用了一个iframe而已。
不敢独享，分享给需要的人。
仅用于初学者，大佬直接无视吧。
有好多的网站，比如菜鸟教程，可以在左边写代码，点击“运行”，可以在右边的窗口的显示运行的结果。
经过摸索，发现要实现这一功能特别的简单，就是采用了一个iframe而已。
不敢独享，分享给需要的人。
仅用于初学者，大佬直接无视吧。
2024/4/13 21:07:10
1KB
1
生物医学工程专业课程设计题目《健康人视觉工作记忆任务多通道脑电信号特征频段提取》包含详细原理、代码、结果
2024/4/13 18:23:47
1.79MB
1
包括实验题目，代码及运行结果实验5内存管理（2学时）一、实验目的通过实验加强对内存管理方法的理解和掌握。
二、实验内容编写程序实现采用可变分区方法管理内存。
三、实验要求1、在该实验中，采用可变分区方式完成对存储空间的管理（即存储空间的分配与回收工作）。
2、设计用来记录主存使用情况的数据结构：已分区表和空闲分区表或链表。
3、在设计好的数据结构上设计一个主存分配算法（循环首次适应算法）。
4、在设计好的数据结构上设计一个主存回收算法。
其中，若回收的分区有上邻空闲分区和（或）下邻空闲分区，要求合并为一个空闲分区登记在空闲分区表的一个表项里。
5、（附加）若需要可以实现程序的浮动，对内存空间进行紧凑。
二、实验内容编写程序实现采用可变分区方法管理内存。
三、实验要求1、在该实验中，采用可变分区方式完成对存储空间的管理（即存储空间的分配与回收工作）。
2、设计用来记录主存使用情况的数据结构：已分区表和空闲分区表或链表。
3、在设计好的数据结构上设计一个主存分配算法（循环首次适应算法）。
4、在设计好的数据结构上设计一个主存回收算法。
其中，若回收的分区有上邻空闲分区和（或）下邻空闲分区，要求合并为一个空闲分区登记在空闲分区表的一个表项里。
5、（附加）若需要可以实现程序的浮动，对内存空间进行紧凑。
2024/4/13 3:18:10
95KB
1
该代码首先实现了图像的腐蚀处理和图像的膨胀处理。
然后，经过先腐蚀(Erosion)处理，后膨胀(Dilation)处理得到了OpeningImage；
又经过先膨胀(Dilation)处理，后腐蚀(Erosion)处理得到了ClosingImage。
程序执行后能够得到原始图像、膨胀后图像、腐蚀后图像、OpeningImage和ClosingImage这五幅图像的对比显示结果。
然后，经过先腐蚀(Erosion)处理，后膨胀(Dilation)处理得到了OpeningImage；
又经过先膨胀(Dilation)处理，后腐蚀(Erosion)处理得到了ClosingImage。
程序执行后能够得到原始图像、膨胀后图像、腐蚀后图像、OpeningImage和ClosingImage这五幅图像的对比显示结果。
2024/4/12 8:40:54
2KB
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