用该程序可实现燃气管网的水力计算计算前现将管网信息输入相关的文件

该版本支持校验方法有：CRC-8正序、CRC-8逆序、CRC-16(0xA001,Ox8005,Modbus,Sick)、CRC-CCITT(XModem)、CRC_CCITT(0xFFFF)、CRC-CCITT(0x1D0F)、CRC-CCITT(Kermil)、CRC-DNP、IntelHex、BCC、LRD、CRC32，十五种校验方法。

运用杂化密度泛函方法(DFT)B3LYP，在LANL2DZ赝势基组水平上对Yn(n=2~10)团簇的多种可能初始构型进行了结构优化和频率及光谱分析，根据能量最低原则确认了Yn(n=2~10)团簇没有虚频的基态结构，且计算得到的结构比以往理论计算得到的结构能量更低，Y2振动频率ωe=188.9cm-1比以往计算值更接近实验值184.4cm-1，在此基础上研究了团簇的稳定性和极化率，并分析了Yn(n=2~10)团簇的光谱性能。
结果表明，Y7为所研究团簇结构转折点，团簇的电子稳定性随着原子数增加而逐渐减弱。
振动光谱分析表明，Yn(n=2~10)团簇中具有较高对称性的C2v和Cs点群具有更多的振动模式，而稳定性较强的Y7和Y9在所研究频段内分别有较好的红外和拉曼活性，有明显的共振现象。

非下采样Contourlet变换（NonsubsampledContourletTransform,NSCT）是一种多分辨率分析方法，它结合了小波变换的多尺度特性与Contourlet变换的方向敏感性。
NSCT在图像处理和计算机视觉领域有广泛的应用，如图像压缩、图像增强、噪声去除和图像分割等。
这个“NSCT变换的工具箱”提供了实现NSCT算法的软件工具，对于研究和应用NSCT的人来说，是一个非常实用的资源。
非下采样Contourlet变换的核心在于其能够提供多方向、多尺度的图像表示。
与传统的Contourlet变换相比，NSCT不进行下采样操作，这避免了信息损失，保持了图像的原始分辨率。
这种特性使得NSCT在处理高分辨率图像时具有优势，特别是在保留细节信息方面。
NSCT工具箱通常包含以下功能：1.**NSCT变换**：对输入图像执行非下采样Contourlet变换，将图像分解为多个方向和尺度的系数。
2.**逆NSCT变换**：将NSCT系数重构回原始图像，恢复图像的完整信息。
3.**图像压缩**：利用NSCT的系数对图像进行编码，实现高效的图像压缩。
由于NSCT在高频部分有更好的表示能力，因此在压缩过程中可以有效减少冗余信息，提高压缩比。
4.**图像增强**：通过调整NSCT系数，可以对图像进行有针对性的增强，比如增强边缘或抑制噪声。
5.**噪声去除**：利用NSCT的多尺度和方向特性，可以有效地分离噪声和信号，实现图像去噪。
6.**图像分割**：在NSCT域中，图像的特征更加明显，有助于进行图像区域划分和目标检测。
该工具箱可能还包括一些辅助函数，如可视化NSCT系数、性能评估、参数设置等功能，方便用户进行各种实验和分析。
使用这个工具箱，研究人员和工程师可以快速地实现NSCT相关的算法，并在实际项目中进行测试和优化。
在使用NSCT工具箱时，需要注意以下几点：-输入图像的尺寸需要是2的幂，因为大多数NSCT实现依赖于离散小波变换，而DWT通常要求输入尺寸为二进制幂。
-工具箱可能需要用户自行配置或安装依赖库，例如MATLAB的WaveletToolbox或其他支持小波运算的库。
-NSCT变换的计算复杂度相对较高，特别是在处理大尺寸图像时，可能需要较长的计算时间。
-在处理不同类型的图像时，可能需要调整NSCT的参数，如方向滤波器的数量、分解层数等，以获得最佳性能。
"NSCT变换的工具箱"是一个强大的资源，对于那些希望探索非下采样Contourlet变换在图像处理中的潜力的人来说，这是一个必不可少的工具。
通过深入理解和熟练使用这个工具箱，可以进一步发掘NSCT在各种应用中的价值。

包含了使用Lomb-Scargle算法计算非均匀时间序列周期频谱的程序及其源码

1-ENVI基础知识2-影像预处理基础3-自定义坐标系4-MODIS几何校正5-地形图的几何校正6-几何校正(RapidEye几何校正)7-TM图像与SPOT图像配准8-TM图像校正（矢量上选点）9-图像融合10-图像镶嵌11-图像裁剪12-图像增强13-监督分类（样本选择）14-监督分类（分类）15-监督分类（分类后处理）16-监督分类（精度验证）17-非监督分类18-快速制图19-三维可视20-基于GLT的几何校正（风云三号气象卫星为例）21-正射校正22-正射校正（选择控制点QB校正）23-RapidEye正射校正24-构建RPC正射校正（BuildRPC）25-图像自动配准26-基于专家知识决策树分类27-决策树自动阈值分类28-面向对象图像分类(城市信息提取)29-面向对象耕地信息提取30-基于立体像对的DEM提取31-DEM分析与应用32-遥感动态监测33-林冠状态遥感变化监测34-森林砍伐监测35-耕地信息变化监测36-雷达图像基本处理37-高光谱基础38-传感器定标和大气校正39-快速大气校正40-波谱库浏览与建立41-植被识别42-矿物识别43-基于波谱沙漏工具的矿物识别44-植被指数计算和分析45-波段运算（bandmath）46-ENVI的二次开发47-IDL简介48-遥感与GIS一体化

1．两个串相等的充要条件是（）。
A．串长度相等B．串长度任意C．串中各位置字符任意D．串中各位置字符均对应相等2．对称矩阵的压缩存储：以行序为主序存储下三角中的元素，包括对角线上的元素。
二维下标为(i,j),存储空间的一维下标为k，给出k与i,j(i＜j)的关系k=（）（1＜=i,j＜=n,0＜=k＜n*(n+1)/2)。
A．i*(i-1)/2+j-1B．i*(i+1)/2+jC．j*(j-1)/2+i-1D．j*(j+1)/2+i3．二维数组A[7][8]以列序为主序的存储，计算数组元素A[5][3]的一维存储空间下标k=（）。
A．38B．43C．26D．294．已知一维数组A采用顺序存储结构，每个元素占用4个存储单元，第9个元素的地址为144，则第一个元素的地址是（）。
A．108B.180C.176D.1125.下面（）不属于特殊矩阵。
A．对角矩阵B.三角矩阵C.稀疏矩阵D.对称矩阵6.假设二维数组M[1..3,1..3]无论采用行优先还是列优先存储，其基地址相同，那么在两种存储方式下有相同地址的元素有（）个。
A.3B.2C.1D.07.若Tail(L)非空，Tail(Tail(L))为空，则非空广义表L的长度是（）。
(其中Tail表示取非空广义表的表尾)A.3B.2C.1D.08．串的长度是（）。
A．串中不同字母的个数B．串中不同字符的个数C．串中所含字符的个数，且大于0D．串中所含字符的个数9．已知广义表((),(a),(b,c,(d),((d,f))))，则以下说法正确的是（）。
A．表长为3，表头为空表，表尾为((a),(b,c,(d),((d,f))))B．表长为3，表头为空表，表尾为(b,c,(d),((d,f)))C．表长为4，表头为空表，表尾为((d,f))D．表长为3，表头为(())，表尾为((a),(b,c,(d),((d,f))))10．广义表A=(a,b,c,(d,(e,f)))，则Head(Tail(Tail(Tail(A))))的值为（）。
(Head与Tail分别是取表头和表尾的函数)A．(d,(e,f))B．dC．fD．(e,f)二、填空题（每空2分，共8分）。
1．一个广义表为F=(a,(a,b),d,e,(i,j),k)，则该广义表的长度为________________。
GetHead(GetTail(F))=_______________。
2．一个n*n的对称矩阵，如果以行或列为主序压缩存放入内存，则需要个存储单元。
3．有稀疏矩阵如下：005700-300040020它的三元组存储形式为:。
三、综合题（共22分）。
1．（共8分）稀疏矩阵如下图所示，描述其三元组的存储表示，以及转置后的三元组表示。
0-30004060000007015080转置前（4分）：转置后（4分）：2.（共14分）稀疏矩阵M的三元组表如下，请填写M的转置矩阵T的三元组表，并按要求完成算法。
（1）写出M矩阵转置后的三元组存储（6分）：M的三元组表：T的三元组表：ije2133244254

可以运行的哈夫曼matlab解码程序-------------计算信源熵----------------Hu=-f.*log(f);%信元熵计算公式codeinfo.Hu=sum(Hu);fprintf('信源熵：%f\n',codeinfo.Hu);%-------------计算平均码长---------------codeinfo.avecodelen=sum(f.*codelen);fprintf('平均码长：%f\n',codeinfo.avecodelen);

东北大学《计算机组成原理》课程的期末复习资料，选择题会大概率从资料中出原题，大题以电路设计和计算为主，仅供复习参考

用IMU的数据进行机器人位置和姿态的估计，比如acc或者gyro积分每个sample怎么进行坐标变换，怎么由rawdata得到位置和姿态信息的计算细节等。
Inrecentyears,microelectromechanicalsystem(MEMS)inertialsensors(3Daccelerometersand3Dgyroscopes)havebecomewidelyavailableduetotheirsmallsizeandlowcost.Inertialsensormeasurementsareobtainedathighsamplingratesandcanbeintegratedtoobtainpositionandorientationinformation.Theseestimatesareaccurateonashorttimescale,butsuerfromintegrationdriftoverlongertimescales.Toovercomethisissue,inertialsensorsaretypicallycombinedwithadditionalsensorsandmodels.Inthistutorialwefocusonthesignalprocessingaspectsofpositionandorientationestimationusinginertialsensors.Wediscussdierentmodelingchoicesandaselectednumberofimportantalgorithms.Thealgorithmsincludeoptimization-basedsmoothingandlteringaswellascomputationallycheaperextendedKalmanlterandcomplementarylterimplementations.Thequalityoftheirestimatesisillustratedusingbothexperimentalandsimulateddata.

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。