在访问数据库后，在本地得到包含了数据的集合，然后获取数据总量；
之后tableWidget的滑动条的滑动长度可以定义成tableWidget的每行row的宽度*数据总量；
再运动滑动条以定位到应显示的部分的第一个的行在tableWidget中的索引；
以此索引可以定位到内存中的数据集对应的当前应被提取的第一个数据的索引；
由于tableWidget的height是知道的，那么该显示的个数应也是可知的，即数据集该提取的长度也是可知的；
只取这部分数据显示到tableWidget中。
之后tableWidget的滑动条的滑动长度可以定义成tableWidget的每行row的宽度*数据总量；
再运动滑动条以定位到应显示的部分的第一个的行在tableWidget中的索引；
以此索引可以定位到内存中的数据集对应的当前应被提取的第一个数据的索引；
由于tableWidget的height是知道的，那么该显示的个数应也是可知的，即数据集该提取的长度也是可知的；
只取这部分数据显示到tableWidget中。
2024/4/16 12:41:58
11KB
1
从麦克斯韦方程和材料密度方程出发，详细推导了受激布里渊增益和损耗同时存在时的矢量模型。
推导过程中，从数学表达式上阐述了电致伸缩效应对受激布里渊散射的作用。
理论分析发现布里渊增益谱和损耗谱参数(谱宽和频移)并不完全一致。
推导出了琼斯空间和斯托克斯空间中的矢量模型，建立了一个较完整的关于受激布里渊散射的基础理论模型，可以为研究基于布里渊散射的偏振效应、偏振牵引和双折射测量提供支持。
最后，基于此矢量模型进行仿真分析，得到了平均布里渊增益和双折射大小以及偏振态的关系。
推导过程中，从数学表达式上阐述了电致伸缩效应对受激布里渊散射的作用。
理论分析发现布里渊增益谱和损耗谱参数(谱宽和频移)并不完全一致。
推导出了琼斯空间和斯托克斯空间中的矢量模型，建立了一个较完整的关于受激布里渊散射的基础理论模型，可以为研究基于布里渊散射的偏振效应、偏振牵引和双折射测量提供支持。
最后，基于此矢量模型进行仿真分析，得到了平均布里渊增益和双折射大小以及偏振态的关系。
2024/4/15 4:53:45
829KB
1
为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１ ２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。
2024/4/14 16:22:47
2.56MB
1
对基于正交散焦光栅的M2因子测量系统进行了理论研究,该测量系统可以同时测量光束束腰附近9个不同位置处的光强分布,并由二阶矩方法计算束宽,经双曲线拟合得到被测光束的M2因子。
为了优化系统设计和提高系统测量精度,根据高斯光束的薄透镜变换关系,针对基模高斯光束和多模高斯光束,分析被测光束束腰宽度、束腰位置和模式分布对测量系统测量精度的影响。
结果表明,基模高斯光束或者多模高斯光束所对应基模高斯光束的束腰宽度在设计范围内时,系统可在较大的测量距离内具有较高的测量精度。
该研究为实际系统的设计和测量提供了理论指导。
为了优化系统设计和提高系统测量精度,根据高斯光束的薄透镜变换关系,针对基模高斯光束和多模高斯光束,分析被测光束束腰宽度、束腰位置和模式分布对测量系统测量精度的影响。
结果表明,基模高斯光束或者多模高斯光束所对应基模高斯光束的束腰宽度在设计范围内时,系统可在较大的测量距离内具有较高的测量精度。
该研究为实际系统的设计和测量提供了理论指导。
2024/4/14 8:31:45
1.62MB
1
此游戏通过滑动屏幕来移动小方块，两个数字一样的小方块相撞时就会相加合成一个方块，每次操作之后会在空白的方格处随机生成一个2或4的方块，最终得到一个2048的方块就算胜利了，如果16个格子全部填满无法移动的话游戏结束。
按照屏幕的大小，调整网格的大小，使用户对整体视觉适应有一个好的感受。
用户根据在屏幕上的滑动，合并相同数字的方块并改变其颜色，如果没有空格并且没有可合并的数字，则游戏结束。
该APP可在安卓2.0以上版本、Android虚拟机上运行，为版本低的用户也提供了方便。
按照屏幕的大小，调整网格的大小，使用户对整体视觉适应有一个好的感受。
用户根据在屏幕上的滑动，合并相同数字的方块并改变其颜色，如果没有空格并且没有可合并的数字，则游戏结束。
该APP可在安卓2.0以上版本、Android虚拟机上运行，为版本低的用户也提供了方便。
2024/4/14 7:51:42
7.64MB
1
程序思路：①：得到线段我们的线段集合S（本次项目鼠标点击得到线段（p1，p2两点）已经在ue4蓝图里面实现，这一步就不过多阐述）②：移除孤立的线段（两端的点都是孤立的）；
③：拆分所有的线段（就是将所有的相交线线段拆分开，得到新的线段集合S）④：移除一个端点孤立的线段（一个端点孤立的线段是不构成多边形的）⑤：找出所有的大区域线段集合M，M是线段集合的集合，二维数组；
（这里的大区域指的是：以任意一条线为起点找到和它相交的其他线段，再找到和这些线段相交的其他线段，直到找不到相交线段，那么这些线段的集合就是一个大区域Mi。
然后找完所有的大区域）⑥：分别对每一个大区域进行封闭区域的提取。
③：拆分所有的线段（就是将所有的相交线线段拆分开，得到新的线段集合S）④：移除一个端点孤立的线段（一个端点孤立的线段是不构成多边形的）⑤：找出所有的大区域线段集合M，M是线段集合的集合，二维数组；
（这里的大区域指的是：以任意一条线为起点找到和它相交的其他线段，再找到和这些线段相交的其他线段，直到找不到相交线段，那么这些线段的集合就是一个大区域Mi。
然后找完所有的大区域）⑥：分别对每一个大区域进行封闭区域的提取。
2024/4/13 16:05:35
25KB
1
该代码首先实现了图像的腐蚀处理和图像的膨胀处理。
然后，经过先腐蚀(Erosion)处理，后膨胀(Dilation)处理得到了OpeningImage；
又经过先膨胀(Dilation)处理，后腐蚀(Erosion)处理得到了ClosingImage。
程序执行后能够得到原始图像、膨胀后图像、腐蚀后图像、OpeningImage和ClosingImage这五幅图像的对比显示结果。
然后，经过先腐蚀(Erosion)处理，后膨胀(Dilation)处理得到了OpeningImage；
又经过先膨胀(Dilation)处理，后腐蚀(Erosion)处理得到了ClosingImage。
程序执行后能够得到原始图像、膨胀后图像、腐蚀后图像、OpeningImage和ClosingImage这五幅图像的对比显示结果。
2024/4/12 8:40:54
2KB
1
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。
2024-04-09 15:03
15KB