公路运量主要包括公路客运量和公路货运量两方面。
某个地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，已知该地区20年(1990-2009)的公路运量相关数据如下：样本数据较多，且已知影响数据的因素（三大因素：该地区的人数、机动车数量和公路面积），可考虑将其作为BP神经网络的训练集，对该神经网络进行训练，然后对训练好的神经网络进行测试，最后使用测试合格的神经网络进行预测工作。

常用内部（Sil，CH，DBI，KL）、外部评价指标（Rand等4个），用自带样本集“leuk72_3k.txt”测试可用！

此资源是二维对称图像矩阵ICA人脸识别MATLAB源程序，运行效率较高，只需更改训练样本路径即可运行

Kong流网PoreFlow-Net的实现：一个3D卷积神经网络，预测通过多Kong介质的流体流量使用说明从下载所需的数据（或通过首选的模拟方法创建自己的数据）使用train.py脚本训练模型模型架构这是我们的网络的样子：方法先决条件为了训练/测试我们使用的Tensorflow1.12模型，应该可以使用更新的版本其余的必要软件包应通过pip获得数据完整的出版物和所有培训/测试数据可在找到。
excel文件随可用样本列表一起提供。
有待改进keras调谐器可用于优化每个编码分支上的过滤器数量协同合作我们欢迎合作引文如果您将我们的代码用于自己的研究，请引用我们的出版物，我们将不胜感激@article{PFN2020,title="PoreFlow-Net:a3Dconvolutionalneuralnetworktopredictfluidflowthroughporousmedia",journal="AdvancesinWaterResources",pages="103539",year=

…首款篇章级中文手写字库…系统的样本采样机制…真实环境下的手写…广泛的应用支持未来的脱机手写汉字识别的研究对象必会从孤立工笔手写汉字逐渐过渡到真实手写中文语句。
脱机手写汉字识别领域亟需建立一个脱机手写中文文本库，用于支持面向真实手写环境的汉字识别研究。
为此，我们提出了面向真实手写环境的基于无切分策略的脱机手写汉字识别。
我们经过三年的系统工作，建立了一个包含约20万字的HIT-MW中文手写文本库(英文全称为HarbinInstituteofTechnology-MultipleWritersDatabase，中文名称为哈尔滨工业大学多人手写库，缩写为HIT-MW库)，用于研究上述问题（具体情况见下文）。
由于采取了系统的采样方案，库中包含了很多真实手写现象，不仅有歪斜的（skewed）文本行，还有交叠(overlapping)和粘连（touching）文本行；
除了抄写错误(miswriting)，还有涂改文字(erasure)的存在。
这样，脱机手写汉字识别从理想化的“单字”识别进入到面向真实手写环境的“文本”识别（或语句识别）的更高层次。

一、软件的具体操作1.建一个文件夹，里面必须有四个文件(Dblank；
deap；
deap.000；
123.dta)前三个文件在一般下载的DEAPVersion2.1中都有，直接复制过来就可以，第四个文件是一个数据文件，一般先在excel中先输入，再复制到一个记事本下就可以，注意在记事本下的数据只有数据，不包括决策单元的名称和投入、产出的名称，并且一定要先放产出，后是投入。
例子具体见123电子表格和123记事本。
2.对命令Dblank文件进行修改,修改后保存为123.ins文件3.打开deap软件,运行123.ins4,回车后自动会有123.out注意事项：(1)123.dta；
Dblank；
123.ins都用记事本打开；
(2)数据文件名和命令文件名一定要一样，如例子中都用123(3)文件夹中一定要包括deap.000文件，如果没有这个文件，打开deap软件，就会出现一闪就没有了的情况。
二，结果的分析在文件夹中打开123.out，看如下：1)firmcrstevrstescale10.6871.0000.687drs20.8141.0000.814drs30.3190.7090.450drs41.0001.0001.000-51.0001.0001.000-60.3360.4250.791drs70.6420.6480.991irs80.3790.3810.994irs90.7020.7500.936irs101.0001.0001.000-110.3040.4610.659irs120.3521.0000.352irs131.0001.0001.000-140.5940.9290.639irs150.4021.0000.402irsmean0.6350.8200.781firm：代表例子中的15的样本crste：技术效率，也叫综合效率vrste：纯技术效率scale：规模效率(drs：规模报酬递减；
-：规模报酬不变；
irs：规模报酬递增)crste=vrste×scale2)Resultsforfirm:3Technicalefficiency=0.709Scaleefficiency=0.450(drs)PROJECTIONSUMMARY:variableoriginalradialslackprojectedvaluemovementmovementvalueoutput17326.3800.0000.0007326.380output2119.9100.0000.000119.910input115427.000-4496.0100.00010930.990input25257.970-1532.371-1643.8282081.771第三个样本的具体分析如下：纯技术效率=0.709规模效率=0.450(drs)：规模报酬应该递减第三个样本的投入产出情况分析：第一、二产出均没有冗余情况(因为其radialmovement和slackmovement均为零)第一个投入要素有投入冗余4496.010；
第二投入要素有投入冗余3176.199=1532.371+1643.828这个意思是说按第三个样本现在的产出冗余第一个投入要素可以减少4496.010，第二个投入要素可以减少3176.199Resultsforfirm:8Technicalefficiency=0.381Scaleefficiency=0.994(irs)PROJECTION

报道了444nm蓝光激光二极管抽运的掺镨氟化锂钆(Pr3+:GdLiF4)固体红光激光器。
实验采用掺杂粒子数分数为1.01%的Pr3+:GdLiF4晶体，样本沿a切方向，尺寸大小为2.7mm×2mm×4mm(a×c×a)，在激光二极管抽运下通过设计的平凹腔获得了波长为639.3nm的连续红光输出。
通过多次优化，当抽运光输入功率为3W，输出镜透射率为3%时，获得了最大输出功率153mW，其斜率效率约为6.78%，抽运阈值达到750mW。

针对轨迹序列长度不固定的特点,计算轨迹间的距离。
采用K均值算法对轨迹样本进行聚类。

人脸检测作为物体检测问题的一个特例,长期以来一直备受关注,已经开始广泛应用到全新人机界面、基于内容的检索、基于目标的视频压缩、数字视频处理、视觉监测等许多领域。
本论文研究的是如何准确地在复杂背景的灰度或彩色图像中测人脸,同时验证了结合肤色等多种信息融合的方法是提高检测速度的有效途径之一。
利用目前较为流行的AdaBoost算法的一个改进算法——GentleAdaBoost算法,设计实现了以这个算法为核心的快速人脸检测系统,系统分训练和检测两部分,训练的最终目的就是得到一多层分类器结构,人脸检测的效率和检测速度在很大程度上是由这种结构形式决定的。
通过一系列的比较得出样本选取、特征选取、核心算法等很多因素影响着多层分类器的结构形式。

SpssModeler18简体中文版的使用手册，包含大量应用实例，如怎样建模，多项Logistic回归应用电信业客户分类，时间序列预测宽带利用率，泊松回归分析船只损坏率，Gamma回归拟合汽车保险理陪，SVM细胞样本分类等。

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。