用C语言实现了高斯白噪声数据的产生Routinemrandom:Togeneratetherandomnumber(pseudo-whitenoise).inputParameters:n:therandomdatanumberrequested;integer.iseed:theseedforpseudo-randomdatageneration.itmustbeinitializedbymainprogram(suggestedvalueisISEED=12357),andtherandomnumberiscycled,thecyclelength=1,048,576itype:randomdatadistributiontype,seebelow:itype=1:Uniformdistributed,from0.0to1.0itype=2:Uniformdistributed,Mean=0.0,Variance(方差)(Power)p=1.0itype=3:Uniformdistributed,Mean=0.0,Variance(Power)p=p.itype=4:Gaussiandistributed,Mean=0.0,Variance(Power)p=1.0itype=5:Gaussiandistributed,Mean=0.0,Variance(Power)p=p.p:variance(Power)ofrandom,onlyusedwhenitype=3oritype=5.outparameters:u:ndimensionedrealarray,dataisstoredinu(0)tou(n-1).inChapter1

%用遗传算法进行简单函数的优化clearbn=22;%个体串长度inn=50;%初始种群大小gnmax=200;%最大代数pc=0.75;%交叉概率pm=0.05;%变异概率%产生初始种群s=round(rand(inn,bn));%计算适应度,返回适应度f和累积概率p[f,p]=objf(s);gn=1;whilegn＜gnmax+1forj=1:2:inn%选择操作seln=sel(s,p);%交叉操作scro=cro(s,seln,pc);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mut(scnew(j,:),pm);smnew(j+1,:)=mut(scnew(j+1,:),pm);ends=smnew;%产生了新的种群%计算新种群的适应度[f,p]=objf(s);%记录当前代最好和平均的适应度[fmax,nmax]=max(f);fmean=mean(f);ymax(gn)=fmax;ymean(gn)=fmean;%记录当前代的最佳个体x=n2to10(s(nmax,:));xx=-1.0+x*3/(power(2,bn)-1);xmax(gn)=xx;gn=gn+1endgn=gn-1;%绘制曲线subplot(2,1,1);plot(1:gn,[ymax;ymean]);title('历代适应度变化','fonts',10);legend('最大适应度','平均适应度');string1=['最终适应度',num2str(ymax(gn))];gtext(string1);subplot(2,1,2);plot(1:gn,xmax,'r-');legend('自变量');string2=['最终自变量',num2str(xmax(gn))];gtext(string2);

基于opencv的人脸检测与跟踪，家camshift算法，mean-shift算法

Angular全栈生成器Yeoman生成器使用ES2017，MongoDB/SQL，Express，Angular和Node创建MEAN/SEAN堆栈应用程序-使您可以按照最佳实践快速设置项目。
生成的项目：用法安装yo，gulp-cli和generator-angular-fullstack：npminstall-gyogulp-cligenerator-angular-fullstack请注意：如果在安装过程中编译本机附件时遇到麻烦，请遵循的简短指南，了解。
然后，要运行您的应用程序（如果选择了Mongo，请确保MongoDB守护程序正在运行），请运行以下命令来启动服务器：npmrunstart:server和以下内容来启动前端的Webpack开发服务器：npmrunstart:clientWebpack服务器将通过（通常为）告诉您访问该应用程序的端口。
运行yoangular-fullstackyoangular-fullstack有关更多信息，请参见《。
先决条件MongoDB-下载并安装如果计划

教程CRUDMEANcomAngular8comAzurebyGlauciaLemos资源库教程在实录Oqueeuvouaprender?!:orange_book:杜randint教程，旨在使XY分解为可分解的图形。
一个高质量的usaremos，用作CRUD（创建，读取，更新和删除）。
后端（Node.js）集成应用程序平台和云平台Microsoft-Azure。
OsdadosdoFuncionário包含：班级：FuncionarioidFuncionario：（数字-guidgeradopeloMongoDb）nomeFuncionario：字符串货物：线numeroIdentificador：数字人民解放军:laptop_computer:VisualStudio代码Node.jsAngularCLI〜7.2.2Mongodb社区服务器MongodBCompassGUIBoostrap3/4CadastronoSiteAzure邮递员Ementa做工

本人花了300块钱购买的图像处理教程-带开发版。
保证是一手资料，在别处你指定找不到。
7.HDL-VIPCMOS视频图像算法处理.................................................1087.1.Bingo版HDL-VIP时序约定.......................................................1087.1.1.VIP_Image_Processor接口约定............................................1087.1.2.VIP_Image_Processor时序约定............................................1117.2.【VGA】RGB888转YCbCr444算法的HDL-VIP实现..........1127.2.1.RGB888转YCbCr介绍........................................................1127.2.2.RGB888转YCbCr的HDL实现..........................................1137.2.3.RGB888转YCbCr功能测试................................................1187.3.【VGA】YCbCr422转RGB888的HDL-VIP实现..................1217.3.1.ITU-RBT.656格式简说.......................................................1217.3.2.YUV/YCbCr视频格式简说..................................................1237.3.3.YUV422格式的配置与拼接捕获.........................................1247.3.4.YUV422转YUV444的HDL-VIP实现..............................1257.3.5.YUV444转RGB888的HDL-VIP实现...............................1287.3.6.YCbCr422转RGB888功能测试..........................................1327.4.【USB】RGB888转Gray灰度的HDL-VIP实现.....................1357.5.【USB】YCbCr422转Gray灰度HDL-VIP实现.....................1377.6.【USB】灰度图像的均值滤波算法的HDL-VIP实现..............1387.6.1.均值滤波算法介绍.................................................................1387.6.2.3*3像素阵列的HDL实现...................................................138既然选择了HDL-VIP，便不顾风雨兼程，一路走下去……7.6.3.Mean_Filter均值滤波算法的实现........................................1447.7.【USB】灰度图像的中值滤波算法的HDL-VIP实现..............1497.7.1.中值/均值滤波对比...............................................................1497.7.2.中值滤波算法的HDL实现..................................................1507.8.【USB】灰度图像的Sobel边缘检测算法的HDL-VIP实现...1577.8.1.边缘检测算法介绍.................................................................1577.8.2.Sobel边缘检测算法研究......................

caffeimagenet的均值文件。

influxdb是目前比较流行的时间序列数据库。
何谓时间序列数据库？什么是时间序列数据库，最简单的定义就是数据格式里包含Timestamp字段的数据，比如某一时间环境的温度，CPU的使用率等。
但是，有什么数据不包含Timestamp呢？几乎所有的数据其实都可以打上一个Timestamp字段。
时间序列数据的更重要的一个属性是如何去查询它，包括数据的过滤，计算等等。
Influxdb是一个开源的分布式时序、时间和指标数据库，使用go语言编写，无需外部依赖。
它有三大特性：时序性（TimeSeries）：与时间相关的函数的灵活使用（诸如最大、最小、求和等）；
度量（Metrics）：对实时大量数据进行计算；
事件（Event）：支持任意的事件数据，换句话说，任意事件的数据我们都可以做操作。
同时，它有以下几大特点：schemaless(无结构)，可以是任意数量的列；
min,max,sum,count,mean,median一系列函数，方便统计；
NativeHTTPAPI,内置http支持，使用http读写；
PowerfulQueryLanguage类似sql；
Built-inExplorer自带管理工具。

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.

Feature_engineering_with_Mean中位数

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。