Unity自定义的扇形有限循环列表，支持双向有限拖拽，支持数据实时刷新。

TLE5012b是英飞凌的一款磁传感器，很跨时代的一个产品，综合功能都很高，15位解析度，20khz刷新率，典型8mhz的spi时钟。
TLE5012BSSC为三线制协议，允许双向通讯,兼容SPI协议。
基于STM32F103的硬件spi接口，通过SSC协议读取TLE5012B内部寄存器数据（如角速度、角度原始数值、温度等）以及配置寄存器（如解析度、自动标定，工作模式等）。

matlab环境下socket通讯。
网络上的两个程序通过一个双向的通讯连接实现数据的交换，这个连接的一端称为一个socket。

NRF24L01调试程序，全双工双向通信，即两个模块兼具收发功能，自动高速切换收发模式。
可用于制造对讲机等。

支持.netframework4.0的双向通讯组件实现实时通信。
什么是实时通信的Web呢？就是让客户端（Web页面）和服务器端可以互相通知音讯及调用方法，当然这是实时操作的。
WebSockets是HTML5提供的新的API，可以在Web网页与服务器端间建立Socket连接，当WebSockets可用时（即浏览器支持Html5）SignalR使用WebSockets，当不支持时SignalR将使用其它技术来保证达到相同效果。
SignalR当然也提供了非常简单易用的高阶API，使服务器端可以单个或批量调用客户端上的JavaScript函数，并且非常方便地进行连接管理，例如客户端连接到服务器端，或断开连接，客户端分组，以及客户端授权，使用SignalR都非常容易实现。

千兆以太网通信驱动模块（verilog），本模块采用windows7操作零碎，用xilinxISE14.7软件，NetAssist，Xcap软件，AX516芯片。
对千兆以太网双向通信做了验证。

中文分词不断都是中文自然语言处理领域的基础研究。
目前，分词系统绝大多数都是基于中文词典的匹配算法。
其中最为常见的是最大匹配算法(MaximumMatching，以下简称MM算法)。
MM算法有三种：一种正向最大匹配，一种逆向最大匹配和双向匹配。
本程序实现了正向最大匹配算法。
本程序还可以从我的github上面下载：https://github.com/Zehua-Zeng/Maximum-Matching-Algorithm

从起始点和末端点同时搜索的RRT算法，可以快速无效找到避障路径，在复杂地图环境中任然无效。

综合实验：1.问题描述利用哈夫曼编码进行通信可以大大提高信道利用率，缩短信息传输时间，降低传输成本。
这要求在发送端通过一个编码系统对待传输数据预先编码，在接收端将传来的数据进行译码（复原）。
对于双工信道（即可以双向传输信息的信道），每端都需要一个完整的编/译码系统。
试为这样的信息收发站编写一个哈夫曼码的编/译码系统。
2.基本要求一个完整的系统应具有以下功能：(1)I：初始化（Initialization）。
从终端读入字符集大小n，以及n个字符和n个权值，建立哈夫曼树，并将它存于文件hfmTree中。
(2)E：编码（Encoding）。
利用已建好的哈夫曼树（如不在内存，则从文件hfmTree中读入），对文件ToBeTran中的正文进行编码，然后将结果存入文件CodeFile中。
(3)D：译码（Decoding）。
利用已建好的哈夫曼树将文件CodeFile中的代码进行译码，结果存入文件Textfile中。
(4)P：印代码文件（Print）。
将文件CodeFile以紧凑格式显示在终端上，每行50个代码。
同时将此字符方式的编码文件写入文件CodePrin中。
(5)T：印哈夫曼树（Treeprinting）。
将已在内存中的哈夫曼树以直观的方式（比如树）显示在终端上，同时将此字符方式的哈夫曼树写入文件TreePrint中。
3.测试数据用下表给出的字符集和频度的实际统计数据建立哈夫曼树，并实现以下报文的编码和译码：“THISPROGRAMEISMYFAVORITE”。
字符ABCDEFGHIJKLM频度1866413223210321154757153220字符NOPQRSTUVWXYZ频度5763151485180238181161

该文件包括效果展示视频和训练生成的xml文件由于该方法要求负样本与场景相关，因此建议自己采集视频进行样本获取及后续处理，直接使用xml文件在其他场景的效果并不一定好。
本实验也有许多问题，①比如远处的检测框会较早的消失，这个原因应该是抽帧截取正样本时，远处的车辆样本选取的较少，建议新实验中每个位置上的正样本都要考虑到。
②偶尔会出现检测框消失的现象，这个没法避免的..建议使用卡尔曼滤波对消失的检测框进行预测然后校正！关于样本集会在后面半个月放出，最近事比较多，等开学会有点时间...本演示视频只对单一方向的车辆样本进行训练，并且包含了晴天多云雨天等场景的样本共同训练，正样本数量为4300多份。
如果想尝试双向车道的训练，建议正样本数量达到1w左右的量级，负样本为正样本的2-5倍，关于xml文件的训练参考文章XXX，也可以换成其他特征进行训练，如LBP特征（听说训练花费时间大大降低，精度差不多，并没有进行试验），有兴味的可以试一试，多多交流！

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。