代码主要实现点云配准之四点法，用于全局配准中，对于重叠率较低的配准具有较好的效果，同时，四点法配准结束后，利用icp精配准方法，实现点云精确配准。
2024/6/3 21:54:39
63.14MB
1
使用matlab编程，分为多个.m文件编写，包括支配关系选择，全局领导者选择，删除多于的非劣解，创建栅格，标准测试函数Mycost1为ZDT1测试函数Mycost3有约束条件套用算法只需要改动Mycost函数与主函数中粒子的取值与维度，即主函数中问题定义处与MOPSO设置处，其余不需要改动
2024/6/2 20:24:35
7KB
1
IDEA已经在JAVA开发中越来越流行，但是对很多eclipse转过来的朋友来讲快捷键的适应是一个不小的问题。
这里提供eclipse快捷键的jar包，在IDEA全局配置中导入Jar包，在快捷键（keymap）配置中即可直接使用eclipse进行编程。
这里提供eclipse快捷键的jar包，在IDEA全局配置中导入Jar包，在快捷键（keymap）配置中即可直接使用eclipse进行编程。
2024/5/31 6:33:18
538KB
1
压缩包中分为两部分，一部分为全局优化问题，另一部分为matlab源代码，每个代码块都有大量的注释，很简明，用户也可用本代码求解其他无约束优化问题。
2024/5/18 6:32:56
81KB
1
DyEgoVis交互式可视化系统，使用户可以在三个分析级别上探索动态自我网络的演变：全局级别，本地级别和个人级别。
演示视频：:安装步骤可视化系统可以在Ubuntu或Windows系统中运行。
它由服务器和前端组成。
服务器要安装系统服务器的依赖包，请在项目目录“server”下运行：点安装-rrequirements.txt运行文件“app.py”。
前端安装Node.js。
要安装前端的依赖包，请在项目目录“frontend”下运行：npm安装在项目目录“frontend”下，运行：须藤npm运行开发在浏览器中访问位于的系统界面。
演示视频：:安装步骤可视化系统可以在Ubuntu或Windows系统中运行。
它由服务器和前端组成。
服务器要安装系统服务器的依赖包，请在项目目录“server”下运行：点安装-rrequirements.txt运行文件“app.py”。
前端安装Node.js。
要安装前端的依赖包，请在项目目录“frontend”下运行：npm安装在项目目录“frontend”下，运行：须藤npm运行开发在浏览器中访问位于的系统界面。
2024/5/11 21:56:02
4.1MB
1
freo.js-[F]功能性[React式][O]对象编程库前言Freo是一个模块库，用于创建旨在用作全局存储的React性数据存储/流，其中单个事实源以互连方式控制整个接口，它引入了Adapter和Adaptable-like的概念来增强具有状态属性和边界的Observerpattern，并提供了几种Adapters和Adaptable-like实现，以使对变化的数据源的工作更易于管理和推理。
详细介绍通过扩展具有状态属性的ObserverPattern，Freo可以在（某些）普通javascript原语之上使用功能性React式编程（FRP）原理，Freo本身不起作用，但具有React性。
它充当数据存储/源的包装，允许Adapters访问变更流，StreamAdapter模块负责通过将非功能变更流发布到功能变更流来弥合Freo和FRP之间的差距。
如果这是您第一次
详细介绍通过扩展具有状态属性的ObserverPattern，Freo可以在（某些）普通javascript原语之上使用功能性React式编程（FRP）原理，Freo本身不起作用，但具有React性。
它充当数据存储/源的包装，允许Adapters访问变更流，StreamAdapter模块负责通过将非功能变更流发布到功能变更流来弥合Freo和FRP之间的差距。
如果这是您第一次
2024/5/8 4:12:04
224KB
1
BP（BackPropagation）神经网络是一种神经网络学习算法。
其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。
相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。
然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。
此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程，
其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。
相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值（Weight）。
然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。
此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程，
2024/5/2 21:19:10
6KB
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