线性方程组：掌握高阶适定方程组求解的基本原理，并会用MATLAB实施；
矩阵建模：读者应掌握高阶线性方程组转换为矩阵模型的方法；
了解超定方程组的意义，会用矩阵形式的最小二乘法求解；
初步掌握坐标变换矩阵对平面图形形状与位置的影响；
初步了解线性代数在解决后续课程中的应用。
矩阵建模：读者应掌握高阶线性方程组转换为矩阵模型的方法；
了解超定方程组的意义，会用矩阵形式的最小二乘法求解；
初步掌握坐标变换矩阵对平面图形形状与位置的影响；
初步了解线性代数在解决后续课程中的应用。
2023/11/19 4:41:01
39.6MB
1
文运用相机标定模型确定了相机像平面的像坐标，利用本质矩阵标定双目相机，快速找出了相机的相对位置关系；
利用MATAB软件和图像处理进行编程求解；
通过对图像的预处理和灰度质心法对模型进行了验证，得出模型的精度。
针对问题一，根据数码相机的特点，提出了一个新的标定方法，建立相机标定模型，确定了靶标上圆的圆心在该相机像平面的像坐标，为问题二的计算提供了一个好的算法。
针对问题二，我们利用问题一建立的模型和方法运用MATLAB编程精确的计算了靶标上五个圆的圆心在像平面上的像坐标。
针对问题三，我们引入了灰度质心法及像差模型对前述问题的模型的稳定性和坐标值精度进行检验后，发现两种模型的中心坐标值的误差值在[0~3]个像素区间内，说明前述模型的计算结果的精度很高，通过像差模型得出其径向畸变系数趋于无穷小，认为前述模型有很好的稳定性。
针对问题四，我们提出了一种改进的的立体摄像机标定方法，通过双目匹配点，线性地求解本质矩阵，快速找出摄像机的相对位置关系。
利用MATAB软件和图像处理进行编程求解；
通过对图像的预处理和灰度质心法对模型进行了验证，得出模型的精度。
针对问题一，根据数码相机的特点，提出了一个新的标定方法，建立相机标定模型，确定了靶标上圆的圆心在该相机像平面的像坐标，为问题二的计算提供了一个好的算法。
针对问题二，我们利用问题一建立的模型和方法运用MATLAB编程精确的计算了靶标上五个圆的圆心在像平面上的像坐标。
针对问题三，我们引入了灰度质心法及像差模型对前述问题的模型的稳定性和坐标值精度进行检验后，发现两种模型的中心坐标值的误差值在[0~3]个像素区间内，说明前述模型的计算结果的精度很高，通过像差模型得出其径向畸变系数趋于无穷小，认为前述模型有很好的稳定性。
针对问题四，我们提出了一种改进的的立体摄像机标定方法，通过双目匹配点，线性地求解本质矩阵，快速找出摄像机的相对位置关系。
2023/11/8 11:28:51
463KB
1
摘要：本文简单介绍了P2P技术以及在TCP/IP网络协议下的网络模型和通信协议。
给出了用Java语言实现P2P网络模型的方法和技术。
关键词：计算机系统结构；
TCP/IP；
P2P；
Java语言Peer-to-Peer(P2P)中的Peer是对等点。
它既可以是性能强大的服务器，也可以是我们日常使用的普通个人电脑。
它们组成了网络，它们既是网络服务的提供者，也是网络服务的请求者。
正因为如此，网络的服务的提供者不再局限于服务器，它们的数量毕竟有限，它们的性能也不足以满足日益增长的需要，而整个网络作为一个服务者所带来的影响不言而喻。
目前还未见到使用Java来实现P2P网络模型的报道。
Java是一种完全面向对象的开发语言，Java的可读性和设计的简易性都比其他语言要好。
但是因为Java程序的运行速度不理想，尤其在要求速度的网络应用中，这样使得Java的应用更少。
可是随着Java的不断发展，性能越来越高，Java的各种优势也得以体现。
给出了用Java语言实现P2P网络模型的方法和技术。
关键词：计算机系统结构；
TCP/IP；
P2P；
Java语言Peer-to-Peer(P2P)中的Peer是对等点。
它既可以是性能强大的服务器，也可以是我们日常使用的普通个人电脑。
它们组成了网络，它们既是网络服务的提供者，也是网络服务的请求者。
正因为如此，网络的服务的提供者不再局限于服务器，它们的数量毕竟有限，它们的性能也不足以满足日益增长的需要，而整个网络作为一个服务者所带来的影响不言而喻。
目前还未见到使用Java来实现P2P网络模型的报道。
Java是一种完全面向对象的开发语言，Java的可读性和设计的简易性都比其他语言要好。
但是因为Java程序的运行速度不理想，尤其在要求速度的网络应用中，这样使得Java的应用更少。
可是随着Java的不断发展，性能越来越高，Java的各种优势也得以体现。
2023/10/23 21:33:44
55KB
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。
对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。
在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。
当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。
每个设备都
2023/7/28 19:18:56
437KB
1
本书内容主要是算法的介绍，海军航空工程学院出版。
主要有线性规划，整数规划，非线性规划，动态规划，图与网络模型及方法，排队论模型，对策论，层次分析法，等等。
主要有线性规划，整数规划，非线性规划，动态规划，图与网络模型及方法，排队论模型，对策论，层次分析法，等等。
2023/7/24 22:14:15
9.77MB
1
数据建模工具powerdesigner12.5版本安装包PowerDesigner是Sybase的企业建模和设计解决方案，采用模型驱动方法，将业务与IT结合起来，可帮助部署有效的企业体系架构，并为研发生命周期管理提供强大的分析与设计技术。
2023/7/12 21:38:04
123.12MB
1
原创作者是Zouxy,整个笔记在他博客上，为了方便大家保存阅读，我将其整理成了pdf文档，希望大家多多交流。
目录一、概述 2二、背景 5三、人脑视觉机理 8四、关于特征 104.1、特征表示的粒度 104.2、初级（浅层）特征表示 114.3、结构性特征表示 144.4、需要有多少个特征？ 16五、DeepLearning的基本思想 17六、浅层学习（ShallowLearning）和深度学习（DeepLearning） 18七、Deeplearning与NeuralNetwork 20八、Deeplearning训练过程 218.1、传统神经网络的训练方法为什么不能用在深度神经网络 218.2、deeplearning训练过程 22九、DeepLearning的常用模型或者方法 239.1、AutoEncoder自动编码器 239.2、SparseCoding稀疏编码 289.3、RestrictedBoltzmannMachine(RBM)限制波尔兹曼机 319.4、DeepBeliefNetworks深信度网络 359.5、ConvolutionalNeuralNetworks卷积神经网络 38十、总结与展望 50十一、参考文献和DeepLearning学习资源（持续更新……） 51
目录一、概述 2二、背景 5三、人脑视觉机理 8四、关于特征 104.1、特征表示的粒度 104.2、初级（浅层）特征表示 114.3、结构性特征表示 144.4、需要有多少个特征？ 16五、DeepLearning的基本思想 17六、浅层学习（ShallowLearning）和深度学习（DeepLearning） 18七、Deeplearning与NeuralNetwork 20八、Deeplearning训练过程 218.1、传统神经网络的训练方法为什么不能用在深度神经网络 218.2、deeplearning训练过程 22九、DeepLearning的常用模型或者方法 239.1、AutoEncoder自动编码器 239.2、SparseCoding稀疏编码 289.3、RestrictedBoltzmannMachine(RBM)限制波尔兹曼机 319.4、DeepBeliefNetworks深信度网络 359.5、ConvolutionalNeuralNetworks卷积神经网络 38十、总结与展望 50十一、参考文献和DeepLearning学习资源（持续更新……） 51
2023/6/14 18:12:34
1.95MB
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