介绍了一种新的非平稳信号分析方法———局部均值分解(Localmeandecomposition,简称LMD)。
LMD方法可以自适应地将任何一个复杂信号分解为若干个具有一定物理意义的PF(Productfunction)分量之和,其中每个PF分量为一个包络信号和一个纯调频信号的乘积,从而获得原始信号完整的时频分布。
本文首先介绍了LMD方法,然后将LMD方法对仿真信号进行了分析,取得了满意的效果,最后将其和经验模式分解EMD(Empiricalmodedecomposition)方法进行了对比,结果表明在端点效应、迭代次数等方面LMD方法要优于EMD方法。

软件工程课程设计—不刷题小程序项目源码+报告PPT.zip华中科技大学软件工程课程设计高分通过项目。
code_final:实现小程序的全部代码design_detail:设计思路和细节image：小程序所需要的图片CS连接：客户和服务端的连接，目前为基础功能的本地简易实现题库：加入到数据库的题目的原始题目小程序二维码：发布后所有人可以扫描的二维码小程序体验版二维码：开发者修复bug采用的二维码ppt框架：展示的ppt大纲submit：交给老师的版本，包括源码、报告、ppt软件工程课程设计—不刷题小程序源码+报告PPT.zip华中科技大学软件工程课程设计高分通过项目。
code_final:实现小程序的全部代码design_detail:设计思路和细节image：小程序所需要的图片CS连接：客户和服务端的连接，目前为基础功能的本地简易实现题库：加入到数据库的题目的原始题目小程序二维码：发布后所有人可以扫描的二维码小程序体验版二维码：开发者修复bug采用的二维码ppt框架：展示的ppt大纲submit：交给老师的版本，包括源码、报告、ppt

Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

采用C++语言，基于原始套接字实现了Ping和Tracert命令。
发送主机通过ping程序给目标主机发送ICMP的回声请求报文，并根据收到的ICMP回声应答报文来确定网络的连通性。
Tracert（跟踪路由）是路由跟踪实用程序，用于确定IP数据包访问目标所采取的路径。
Tracert命令是用IP生存时间(TTL)字段和ICMP错误消息来确定从一个主机到网络上其他主机经过的每个路由器及每个跃点的往返时间(RTT)的命令行报告输出。

找到了利用Matlab提取图片中的数据的源代码image2data，打包上传分享。
原简介：从事科研或者工程的人员在文档撰写过程中，常需要将文献中的曲线与自己的结果对比，为获取原始数据，一种常用的办法是手动描点，即将原始曲线放大然后打印出来，选取一定数量的点，读出其横纵坐标，然后重绘。
对于较为平坦的曲线，这种方法当然可行，但当曲线数量增加，曲线变化复杂，这种方法工作量可想而知。
前段时间由于原始数据丢失，仅剩几十幅图片，本人尝试过手动描点，经历几个小时奋战，实在无法继续，索性转向matlab，借助其强大的数据处理能力，编写了两个GUI的小软件image2data、data_poly提取数据，如今大功告成，遂于大家分享。
原作者邮箱yc97463240@126.com

压缩导出的mysql库，库名：ajing，内有6个表，一个表不带后缀的是原始数据，每一行是一个村，从省至村；
另外5个带后缀的表是相关联的，关联id为各自的行政编码，例如湖北省id为420（其实是42，数据库中省份编码均是3位数字，最后一个0是多余的），宜昌市id为4205（然后用8个0补齐就是420500000000），当阳市（我的家乡，县级市）为420582（然后用6个0补齐就是420582000000），以此类推

//设定生成树的原始数据voidgetdatable(){tblDatas.Columns.Add("groupid",Type.GetType("System.String"));tblDatas.Columns.Add("groupname",Type.GetType("System.String"));tblDatas.Columns.Add("parentid",Type.GetType("System.String"));tblDatas.Rows.Add(newobject[]{"1","机关","0"});tblDatas.Rows.Add(newobject[]{"2","学院","0"});tblDatas.Rows.Add(newobject[]{"3","教学管理中心","1"});tblDatas.Rows.Add(newobject[]{"4","校园管理中心","1"});tblDatas.Rows.Add(newobject[]{"5","数据中心","3"});tblDatas.Rows.Add(newobject[]{"6","信息中心","3"});tblDatas.Rows.Add(newobject[]{"7","一卡通","4"});tblDatas.Rows.Add(newobject[]{"8","保卫处","4"});tblDatas.Rows.Add(newobject[]{"9","信工系","2"});tblDatas.Rows.Add(newobject[]{"10","艺术系","2"});dataGridView1.DataSource=tblDatas;}//递归生成树函数publicvoidAddTree(intParentID,TreeNodepNode){DataTabledt=newDataTable();dt=tblDatas;DataViewdvTree=newDataView(dt);//过滤ParentID,得到当前的所有子节点dvTree.RowFilter="parentid="+ParentID;foreach(DataRowViewRowindvTree){TreeNodeNode=newTreeNode();if(pNode==null){//添加根节点Node.Text=Row["groupname"].ToString();treeView1.Nodes.Add(Node);AddTree(Int32.Parse(Row["groupid"].ToString()),Node);//再次递归}else{//添加当前节点的子节点Node.Text=Row["groupname"].ToString();pNode.Nodes.Add(Node);AddTree(Int32.Parse(Row["groupid"].ToString()),Node);//再次递归

只需改函数的原始参数就可以分析各种曲柄连杆机构的运动，包括角位移，角速度，角加速度，和运动仿真

LINGO是用来求解线性和非线性优化问题的简易工具。
LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。
§1LINGO快速入门当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口：外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。
在主窗口内的标题为LINGOModel–LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要在该窗口内编码实现。
下面举两个例子。
例1.1如何在LINGO中求解如下的LP问题：在模型窗口中输入如下代码：min=2*x1+3*x2;x1+x2＞=350;x1＞=100;2*x1+x2＜=600;然后点击工具条上的按钮即可。
例1.2使用LINGO软件计算6个发点8个收点的最小费用运输问题。
产销单位运价如下表。
单位销地运价产地 B1 B2 B3 B4 B5 B6 B7 B8 产量A1 6 2 6 7 4 2 5 9 60A2 4 9 5 3 8 5 8 2 55A3 5 2 1 9 7 4 3 3 51A4 7 6 7 3 9 2 7 1 43A5 2 3 9 5 7 2 6 5 41A6 5 5 2 2 8 1 4 3 52销量 35 37 22 32 41 32 43 38 使用LINGO软件，编制程序如下：model:!6发点8收点运输问题;sets:warehouses/wh1..wh6/:capacity;vendors/v1..v8/:demand;links(warehouses,vendors):cost,volume;endsets!目标函数;min=@sum(links:cost*volume);!需求约束;@for(vendors(J):@sum(warehouses(I):volume(I,J))=demand(J));!产量约束;@for(warehouses(I):@sum(vendors(J):volume(I,J))＜=capacity(I));!这里是数据;data:capacity=605551434152;demand=3537223241324338;cost=626742954953858252197433767392712395726555228143;enddataend然后点击工具条上的按钮即可。
为了能够使用LINGO的强大功能，接着第二节的学习吧。
§2LINGO中的集对实际问题建模的时候，总会遇到一群或多群相联系的对象，比如工厂、消费者群体、交通工具和雇工等等。
LINGO允许把这些相联系的对象聚合成集（sets）。
一旦把对象聚合成集，就可以利用集来最大限度的发挥LINGO建模语言的优势。
现在我们将深入介绍如何创建集，并用数据初始化集的属性。
学完本节后，你对基于建模技术的集如何引入模型会有一个基本的理解。
2.1为什么使用集集是LINGO建模语言的基础，是程序设计最强有力的基本构件。
借助于集，能够用一个单一的、长的、简明的复合公式表示一系列相似的约束，从而可以快速方便地表达规模较大的模型。
2.2什么是集集是一群相联系的对象，这些对象也称为集的成员。
一个集可能是一系列产品、卡车或雇员。
每个集成员可能有一个或多个与之有关联的特征，我们把这些特征称为属性。
属性值可以预先给定，也可以是未知的，有待于LINGO求解。
例如，产品集中的每个产品可以有一个价格属性；
卡车集中的每辆卡车可以有一个牵引力属性；
雇员集中的每位雇员可以有一个薪水属性，也可以有一个生日属性等等。
LINGO有两种类型的集：原始集(primitive　set)和派生集(derivedset)。
一个原始集是由一些最基本的对象组成的。
一个派生集是用一个或多个其它集来定义的，也就是说，它的成员来自于其它已存在的集。
2.3模型的集部分集部分是LINGO模型的一个可选部分。
在LINGO模型中使用集之前，必须在集部分事先定义。
集部分以关键字“sets:”开始，以“endsets”结束。
一个模型可以没有集部分，或有一个简单的集部分，或有多个集部分。
一个集部分可以放置于模型的任何地方，但是一个集及其属性

标题作者日期在委内瑞拉大萨瓦纳的热带稀树草原马赛克上转移耕种和狩猎JRFerrer巴黎@jrfep-伊莎贝拉（IzabelaStachowicz）@icorei-艾达·桑切斯（AdaY.Sánchez）梅尔卡多（Mercado）@adasanchez29/1/2021在GS打猎该存储库包含有关科学手稿的数据和代码，在委内瑞拉大萨瓦纳的热带稀树草原上转移耕种和狩猎：面临变化（正在审查中）摘要近年来，热带森林中森林猎物的过度开发增加了，引发了有关当前狩猎率可持续性的争论。
空林假说预测，热带森林中目前的狩猎速度会导致生物多样性的广泛丧失和脊椎动物的数量减少。
另外，“花园狩猎”假说指出，异类农林业景观保持着与原始森林相似的物种丰富度，但物种构成以热带稀树草原为主。
在这里，我们结合了相机陷阱调查和在委内瑞拉大萨瓦纳的热带稀树草原和热带雨林中的佩蒙土著狩猎的空间明确数据

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。