LMS_Identify.m实现了LMS算法和NLMS算法的性能比较，文档详细描述了LMS自适应滤波器对信号滤波的步骤以及归一化LMS算法（NLMS）基于信号功率的自适应步长的调节函数

本文是解决非线性分式规划的一篇比较早的论文，SCI数据库中都找不到，是导师找人下的

Reflector是一款比较强大的反编译工具,相信很多朋友都用过它,但reflector本身有很多局限性,比如只能一个一个的查看方法等

文提出了一种将主动后轮转向和驱动/制动力分配（ARS+D/BFD）结合起来的分层联合控制算法。
上层控制中利用滑模控制器生成所需的后轮转向角和外部横摆力矩。
在下层控制器中，设计了考虑驱动/制动执行器和轮胎力约束的控制分配算法，以将期望的横摆力矩分配给四个车轮。
为此，定义了一个包含若干个等式和不等式的约束优化问题，并对其进行了解析求解。
最后，计算机仿真结果表明，所提出的分层控制方案能够实质性增强处理性能和稳定性。
此外，提出并分析了ARS+D/BFD与AFS+D/BFD（主动前转向和驱动/制动力分配）之间的比较。

Informaticapowercenterdesigner指南（中文）是关于如何使用Designer进行Mapping设计的指导书，版本老了些（其实这些年Powercenter新版本并没有大的变化，核心技术没变，只是加了些并没太大用处的所谓新特性），但比新版的写得都详细，而且是中文的，阅读起来比较轻松，作为参考资料是很好的。

vb视频源码播放视频流，编写比较实用的VB程序

网上已经有很多关于http的get与post的例子，不过，我还是将我的实现方式写了出来，主要的区别在于，我的调用函数，有几个优点：1，做了一个工具类，集成到工程中比较方便；
2，可以直接调用，不需要new一个对象；
3，将返回数据的处理，转到调用者的handler中来处理。

Aspose.Words，在官网下的API，内容比较全对开发有帮助哦！

该代码对图像灰度直方图的计算均采用了概率统计的方式，只是在统计的过程中采用了三种不同的统计算法，最后还比较了这三种不同的统计算法各自在计算过程中所花费的时间。
建议用户与“图像灰度直方图计算的Matlab代码”进行比较学习。

指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合理确定α的取值方法十分重要，一般来说，如果数据波动较大，α值应取大一些，可以增加近期数据对预测结果的影响。
如果数据波动平稳，α值应取小一些。
理论界一般认为有以下方法可供选择：　　　经验判断法。
这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。
　　1、当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般可在0.05～0.20之间取值；
　　2、当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
　　3、当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，如可在0.6～0.8间选值，以使预测模型灵敏度高些，能迅速跟上数据的变化；
　　4、当时间序列数据是上升（或下降）的发展趋势类型，α应取较大的值，在0.6~1之间。
　　试算法。
根据具体时间序列情况，参照经验判断法，来大致确定额定的取值范围，然后取几个α值进行试算，比较不同α值下的预测标准误差，选取预测标准误差最小的α。
　　在实际应用中预测者应结合对预测对象的变化规律做出定性判断且计算预测误差，并要考虑到预测灵敏度和预测精度是相互矛盾的，必须给予二者一定的考虑，采用折中的α值。
下期预测数=本期实际数×平滑系数+本期预测数×（1-平滑系数）如某种产品销售量的平滑系数为0.4，1996年实际销售量为31万件，预测销售量为33万件。
则1997年的预测销售量为：1997年预测销售量=31万件×0.4+33万件×（1-0.4）=32.2万件

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。