现在有很多粒子群算法不规范，国外有些工具包过于复杂，功能太大而无从下手，国内的一些文档上的方法多数都是一个粒子式地简单循环，不能够全面地发挥Matlab基于矩阵计算的能力，本程序中的主程序及目标函数均基于向量形式，另外，很多具体程序中缺乏对约束问题进行考虑，本程序可以针对约束问题给出结果以查看约束处理情况，另外还可以选择是否显示离线和在线性能等，再者，本工具包里包含有全局算法及局部算法，试验后发现，局部算法的性能要好得多（可能针对不同问题吧），最后，本算法模块化层次条理清晰，说明具体，可以简单改造成各种改进型算法。

使用R语言完成关联规则分析的脚本，其中可生成的图形有关系矩阵图、（sup、conf、lift）关系图

小波变换的图像处理%MATLAB2维小波变换经典程序%FWT_DB.M;%此示意程序用DWT实现二维小波变换%编程时间2004-4-10，编程人沙威%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clear;clc;T=256;%图像维数SUB_T=T/2;%子图维数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%1.调原始图像矩阵loadwbarb;%下载图像f=X;%原始图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%2.进行二维小波分解l=wfilters('db10','l');%db10（消失矩为10)低通分解滤波器冲击响应（长度为20）L=T-length(l);l_zeros=[l,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂h=wfilters('db10','h');%db10（消失矩为10)高通分解滤波器冲击响应（长度为20）h_zeros=[h,zeros(1,L)];%矩阵行数与输入图像一致，为2的整数幂fori=1:T;%列变换row(1:SUB_T,i)=dyaddown(ifft(fft(l_zeros).*fft(f(:,i)'))).';%圆周卷积FFTrow(SUB_T+1:T,i)=dyaddown(ifft(fft(h_zeros).*fft(f(:,i)'))).';%圆周卷积FFTend;forj=1:T;%行变换line(j,1:SUB_T)=dyaddown(ifft(fft(l_zeros).*fft(row(j,:))));%圆周卷积FFTline(j,SUB_T+1:T)=dyaddown(ifft(fft(h_zeros).*fft(row(j,:))));%圆周卷积FFTend;decompose_pic=line;%分解矩阵%图像分为四块lt_pic=decompose_pic(1:SUB_T,1:SUB_T);%在矩阵左上方为低频分量--fi(x)*fi(y)rt_pic=decompose_pic(1:SUB_T,SUB_T+1:T);%矩阵右上为--fi(x)*psi(y)lb_pic=decompose_pic(SUB_T+1:T,1:SUB_T);%矩阵左下为--psi(x)*fi(y)rb_pic=decompose_pic(SUB_T+1:T,SUB_T+1:T);%右下方为高频分量--psi(x)*psi(y)%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%3.分解结果显示figure(1);colormap(map);subplot(2,1,1);image(f);%原始图像title('originalpic');subplot(2,1,2);image(abs(decompose_pic));%分解后图像title('decomposedpic');figure(2);colormap(map);subplot(2,2,1);image(abs(lt_pic));%左上方为低频分量--fi(x)*fi(y)title('\Phi(x)*\Phi(y)');subplot(2,2,2);image(abs(rt_pic));%矩阵右上为--fi(x)*psi(y)title('\Phi(x)*\Psi(y)');subplot(2,2,3);image(abs(lb_pic));%矩阵左下为--psi(x)*fi(y)title('\Psi(x)*\Phi(y)');subplot(2,2,4);image(abs(rb_pic));%右下方为高频分量--psi(x)*psi(y)title('\Psi(x)*\Psi(y)');%%%%%%%

用邻接矩阵作为存储方式，C++实现的无向图的建立，广度遍历和深度遍历，以及求顶点的度数和邻接点

这是opencvsvm图像分类的整个工程代码，在VS2010下打开即可。
整个工程文件以及我的所有训练的图片存放在这里，需要的可以下载，自己在找训练图片写代码花了很多时间，下载完后自行解压，训练图片和测试图片可以从这免费下载http://download.csdn.net/detail/always2015/8944959，projectdata文件夹直接放在D盘就行，里面存放训练的图片和待测试图片，以及训练过程中生成的中间文件，现在这个下载object_classfication_end则是工程文件，我用的是vs2010打开即可，下面工程里有几个要注意的地方：1、在这个模块中使用到了c++的boost库，但是在这里有一个版本的限制。
这个模块的代码只能在boost版本1.46以上使用，这个版本以下的就不能用了，直接运行就会出错，这是最需要注意的。
因为在1.46版本以上中对比CsSVM这个类一些成员函数做了一些私有化的修改，所以在使用该类初始化对象时候需要注意。
2、我的模块所使用到的函数和产生的中间结果都是在一个categorizer类中声明的，由于不同的执行阶段中间结果有很多个，例如：训练图片聚类后所得到单词表矩阵，svm分类器的训练的结果等，中间结果的产生是相当耗时的，所以在刚开始就考虑到第一次运行时候把他以文件XML的格式保存下来，下次使用到的时候在读取。
将一个矩阵存入文本的时候可以直接用输出流的方式将一个矩阵存入，但是读取时候如果用输入流直接一个矩阵变量的形式读取，那就肯定报错，因为输入流不支持直接对矩阵的操作，所以这时候只能对矩阵的元素一个一个进行读取了。
3、在测试的时候，如果输入的图片太小，或者全为黑色，当经过特征提取和单词构造完成使用svm进行分类时候会出现错误。
经过调试代码，发现上述图片在生成该图片的单词的时候所得到的单词矩阵会是一个空矩阵，即该矩阵的行列数都为0，所以在使用svm分类器时候就出错。
所以在使用每个输入图片的单词矩阵的时候先做一个判断，如果该矩阵行列数都为0，那么该图片直接跳过。

可以任意管脚数据结构实现只需添加管脚无需其他修改即可返回按键值

列主元Gauss消去法是指在解方程组时,未知数顺序消去,在要消去的那个未知数的系数中找按模最大者作为主元.完成消元后,系数矩阵化为上三角形,然后在逐步回代求解未知数.列主元Gauss消去法是在综合考虑运算量与舍人误差控制的情况下一种较为理想的算法.本文档给出了算法描述及算法matlab代码实现。

带有随机系数矩阵的马尔可夫跳跃线性系统的线性最小均方误差估计

vectorm(a,vector(b)); 这个语句中，标准vector创建了一个包含a个向量的向量， 其中每个向量中包含有b个整数。
这a*b个元素中都保存 着默认值0。
用这种方式可以轻松地返回一个数组或矩阵。

工程矩阵理论第二版课后答案(张明淳)

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。