通过高斯消元法改造的LU分解解线性方程组，在需要多次更改常数项b的时候可以大大节省计算量

40M比较大，差点不能上传，绝对的好东西。
人脸识别是图像处理领域的一个重要技术，是该领域非常活跃的研究课题。
它是基于人类脸部特征信息进行身份识别的一种模式识别技术。
由于人脸图像的特殊性，要使这项技术完全成熟并能够应用到现实生活中，还需要有很多亟待解决的问题，因此，人脸识别研究具有很大的挑战性，一直是模式识别领域的研究热点。
人脸识别的过程主要分为三个阶段：人脸检测、特征提取以及分类识别。
针对目前常用的人脸识别方法中存在着一些缺陷，如计算量大，图像受光照、表情、姿态的影响较大等问题，本文提出基于图像处理的方法，获得更好的识别效果。
2．主要内容（1）熟悉目前常用的人脸识别方法；
（2）了解图像处理中应用于模式识别的方法，；
（3）选定用于人脸识别的图像处理方法；
（4）人脸特征提取；
（5）人脸的分类识别；

为了辨识一类非线性Hammerstein-Wiener系统，基于递推贝叶斯算法和奇异值分解，提出了一种两阶段在线辨识算法。
该算法首先利用递推贝叶斯算法估计乘积项参数，然后利用奇异值分解得到待估计参数。
仿真结果表明，所提算法可以较小的计算量获得精度较高的参数估计值。

本帖代码和教程有Matlab技术论坛原创，原帖参见http://www.matlabsky.com/viewthread.php?tid=3885一、数值积分基本公式数值求积基本通用公式如下Eqn1.gif(1.63KB)2009-11-2023:23xk：求积节点Ak：求积系数，与f(x)无关数值积分要做的就是确定上式中的节点xk和系数Ak。
可以证明当求积系数Ak全为正时，上述数值积分计算过程是稳定。
二、插值型数值积分公式对f(x)给定的n+1个节点进行Lagrange多项式插值，故Eqn2.gif(2.95KB)2009-11-2023:23即求积系数为Eqn3.gif(3.29KB)2009-11-2023:23三、牛顿-柯特斯数值积分公式当求积节点在[a,b]等间距分布时，插值型积分公式（先使用Lagrange对节点进行多项式插值，再计算求积系数，最后求积分值）称为Newton-Cotes积分公式。
由于Newton-Cotes积分是通过Lagrange多项式插值变化而来的，我们都知道高次多项式插值会出现Runge振荡现象，因此会导致高阶Newton-Cotes公式不稳定。
Newton-Cotes积分公式的求积系数为Eqn4.gif(3.38KB)2009-11-2023:28其中C(k,n)称为柯特斯系数。
(1)当n=1时，Newton-Cotes公式即为梯形公式Eqn5.gif(1.68KB)2009-11-2023:28容易证明上式具有一次代数精度(对于Newton-Cotes积分公式，n为奇数时有n次迭代精度，n为偶数时具有n+1次精度，精度越高积分越精确，同时计算量也越大)(2)当n=2时，Newton-Cotes公式即为辛普森(Simpson)公式或者抛物线公式Eqn6.gif(2.04KB)2009-11-2023:28上式具有3次迭代精度(3)当n=4时，Newton-Cotes公式称为科特斯(Cotes)公式Eqn7.gif(2.68KB)2009-11-2023:28上式具有5次迭代精度。
由于n=3和n=2时具有相同的迭代精度，但是n=2时计算量小，故n=3的Newton-Cotes积分公式用的很少(4)当≥8时，通过计算可以知道，在n=8时柯特斯系数出现负值由于数值积分稳定的条件是求积系数Ak必须为正，所以n＞=8以上高阶Newton-Cotes公式，我们不能保证积分的稳定性(其根本原因是，Newton-Cotes公式是由Lagrange插值多项推导出来的，而高阶多项式会出现Rung现象)。
四、复化求解公式n阶Newton-Cotes公式只能有n+1个积分节点，但是高阶Newton-Cotes公式由不稳定。
为了提高大区间的数值积分精度，我们采用了分段积分的方法，即先将原区间划分成若干小区间，然后对每一个小区间使用Newton-Cotes积分公式，这就是复化Newton-Cotes求积公式。
(1)当n=1时，称为复化梯形公式。
将[a,b]等分为n份，子区间长度为h=(b-a)/n，则复化梯形公式为(注意：复化求解公式不需要求积子区间等间距，只是Newton-Cotes公式分段积分时自动对小区间进行等分，我们这里采用等分子区间是为了便于计算而已)Eqn8.gif(2.18KB)2009-11-2023:28(2)当n=2时，称为复化辛普森公式。
Eqn9.gif(2.96KB)2009-11-2023:28五、Newton-Cotes数值积分公式Matlab代码

将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。
彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。
而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。
灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
图像的灰度化处理可用两种方法来实现。
第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。

用均值漂移算法实现目标跟踪，均值漂移算法是一种基于核函数估计的无参数算法，它无需估计整个区间的概率密度也无需知道区间内样本的分布情况，由于其具有较低的计算量，且计算速度快，抗干扰能力强在解决计算机视觉领域尤其是目标跟踪方面表现出了良好的鲁棒性和实时性。

Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinkingbias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的前景和背景颜色分布估计过程,使得计算量大大下降;在能量函数中引入了具有自适应权值调节功能的连通性约束项,有效地改善了shrinkingbias现象,提高了分割结果的精确性.实验结果表明,文中算法具有良好的实时交互性,且分割效果更加稳定和精确.

并行计算三种方式计算π：概率法，积分法，级数法，代码中包括计算量和线程个数设置。
使用时进行编译后输入相应提示的数值即可，例如N=100000t=8

MATLAB实现基于互相关的亚像素级图像匹配/配准源代码程序通过用户指定一个基准点，实现二维图像的配准。
通过使用选择的DFT算法不断减少计算量。

本文基于检测前跟踪技术研究了MIMO雷达系统中多个运动目标的早期预警问题,在推导已知目标数量时的二元广义似然比检验的基础上,提出了一种次优的基于逐目标消除和极坐标Hough变换(STC-PHT)的多目标检测前跟踪算法,并推导了该算法的虚警概率和检测概率表达式.与以往的多目标检测前跟踪算法相比,新算法具有较低的计算量,且本质上无需目标数量的先验信息,避免了目标数量未知时需执行多元假设检验的问题.仿真分析表明,新算法能有效地改善MIMO雷达在低信噪比条件下的检测性能.

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。