粒子群算法，也称粒子群优化算法（ParticleSwarmOptimization），缩写为PSO，是近年来发展起来的一种新的进化算法。
PSO算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单。
压缩文件内附有英文说明书

这是从网上整理出来的图像融合评价标准，总共有13项性能指标。
包括平均梯度，边缘强度，信息熵，灰度均值，标准差(均方差MSE)，均方根误差，峰值信噪比（psnr），空间频率(sf)，图像清晰度，互信息(mi)，结构相似性(ssim)，交叉熵(crossentropy)，相对标准差。
大家一起交流吧~

图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。

本软件是“测量计算工具包软件”的全面升级版。
升级后的软件强化了坐标转换的功能，精简了其他不大使用的功能，软件名称更改为“坐标转换”，2013是全面升级后的第一个版本。
为适应国家测绘局地理信息办公室《2000国家大地坐标系推广使用技术指南》（以下简称《指南》）和《大地测量控制点坐标转换技术规程》（以下简称《规程》）的要求，坐标转换2013除保留原有的布尔沙模型和二维四参数模型外，增加了三维七参数、二维七参数、三维四参数和多项式拟合模型。
另外，在转换参数的表达形式上也进行了调正，将“尺度比”改为“尺度变化”，与《指南》和《规程》保持一致。
升级后的坐标转换软件对程序界面和代码也进行了优化，参数的数值表示方式由固定宽度改为科学表示方式，使得其计算精度更高。
升级前的“椭球间的坐标转换”对应于升级后的“布尔沙模型”，升级前的“多公共点相似变换”对应于升级后的“二维四参数模型”。
这两种模型升级前的转换参数完全可以用于升级后的软件，仅需将将“尺度比”换算为“尺度变化”即可，换算公式为：尺度变化D=尺度比K-1。
如果用户拥有转换区域的公共点（《指南》和《规程》叫“重合点”）的话，建议用升级后的软件重新计算转换参数。
必须说明的是，不同的转换模型，转换参数是不能互换的。
本软件的所有转换模型的计算公式都来源于《指南》和《规程》，仅对“多项式拟合”公式的表达形式进行了格式上的统一。
坐标转换2014版增加了GPS高程拟合和墨卡托投影正反算转换。

算法思想：提取文档的TF/IDF权重，然后用余弦定理计算两个多维向量的距离来计算两篇文档的相似度，用标准的k-means算法就可以实现文本聚类。
源码为java实现

Scynamo-在DynamoDB和Scala类型之间转换的库Scynamo是一个库，用于将您的Scala案例类/密封特征映射到DynamoDB或从DynamoDB映射。
为此，该库使用类型类方法，并且与Scala生态系统中的其他库非常相似。
功能概述为您的ADT派生实例以从DynamoDB进行编码/解码嵌套案例类/列表/地图/...的精确错误消息使用选项自定义案例类和密封特征的派生AttributeValue空安全访问器的语法提供用于编码/解码的可选语法（请参阅scynamo.syntax.*）安全：此操作不是在静默的情况下对空{String，Number，Binary}集进行编码，而是在scynamo失败，从而使您可以在到达DynamoDB之前捕获错误。
参见。
文献资料您可以在找到文档。

为做到更高相似的三维物理模拟实验,通过对以往结构模型底板的研究改进,提出了条带式组合活动底板与半密闭空间开采模拟技术相结合的实验方法,并将其应用于实际。
实践表明:该方法成功实现了三维模型工作面模拟支架的全过程自动移架、模拟支架管线的有效管理以及覆岩垮落形态的全过程保存等技术创新,极大提高了实验仿真性和准确性,对完善地下煤层开采理论研究、改善实验条件具有一定意义,为该类实验的顺利进行提供了技术参考。

为了提高用户满意度,需要在大量具有相同或相似功能的资源服务中筛选出满足用户需求的最优资源服务,从而实现资源服务的增值。
以三角模糊数表达用户对资源服务非功能QoS评价为基础,在考虑用户的感知和交易经验的同时,综合考虑了资源服务非功能QoS评价合成中的各种因素如时间、用户信誉度、评价一致性等的影响,结合模糊fuzzy理论以及逼近理想解排序,进而提出了基于fuzzyTOPSIS的资源服务优化选择算法。
实验结果表明,该算法具有较高的准确度,并可在一定程度上抵制恶意评价对资源服务质量评价的影响。

利用stm32f4HAL库软件模拟IIC，对博世温湿度、气压传感器BME280进行正确的读取，说实在的，原子的HAL库写的实在有些应付了，虽然标准库与HAL库有诸多相似之处，标准库掺杂HAL库，个人觉得有点不太好，仅仅代表个人观点

k-means算法接受输入量k；
然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；
而不同聚类中的对象相似度较小。
聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。
　　k-means算法的工作过程说明如下：首先从n个数据对象任意选择k个对象作为初始聚类中心；
而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；
然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；
不断重复这一过程直到标准测度函数开始收敛为止。
一般都采用均方差作为标准测度函数.k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

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。