马尔可夫决策过程概述该存储库运行3种强化算法：策略迭代，值迭代和Q学习，以解决2个MDP问题：悬崖行走和20X20冻湖网格，并比较它们的性能。
运行步骤需要Python3.6使用pip从Requirements.txt安装需求使用python3运行以下命令以创建数据和图形文件：pythonrun_experiment.py-全部pythonrun_experiment.py--plot获得的结果有关获得的结果的更多信息，请参考Analysis.pdf。
悬崖行走问题问题结果冻湖网格问题问题结果

G-Nut/Anubis是一个GNSS数据质量检核软件。
该软件支持RINEX3文件格式，可以对几乎所有导航卫星系统的观测量进行质量检核与分析操作，并将检核和分析成果绘制成图。
资源包括软件安装包（也可在官网下载）：anubis-2.2.4-2019-03-04.tgz、anubis-2.2.4-win-static-64b软件使用说明：Anubis配置文件编辑、Anubis配置与使用简介参考文献：'基于G-Nut_Anubis的GNSS数据质量检核可视化分析'、Anubis在GNSS数据质量可视化分析中的应用、'Anubis的GNSS数据质量检核可视化表达与分析绘图软件：Chart-Gnuplot-0.23、plot_Anubis以上资料均收集整理自网络

plot(onlog-logaxes)theempiricaldistributionalongwiththefittedpower-lawdistribution

%Thisfoldercontainsacollectionof"fitting"functions.%(Somehasdemooptions-thethirdsection)%TheGENERALinputtothefunctionsshouldbesamplesofthedistribution.%%forexample,ifwearetofitanormaldistribution('gaussian')withamean"u"andvaraince"sig"^2%thenthesampleswilldistributelike:%samples=randn(1,10000)*sig+u%%fittingwithLeast-Squaresisdoneonthehistogramofthesamples.%fittingwithMaximumlikelihoodisdonedirectlyonthesamples.%%%Contentsofthisfolder%=======================%1)Maximumlikelihoodestimators%2)Leastsquaresestimators%3)EMalgorithmforestimationofmultivariantgaussiandistribution(mixedgaussians)%4)addedfolders:Create-whichcreatesamplesfortheEMalgorithmtest%Plot-usedtoploteachofthedistributions(parametricplot)%%%%%%Maximumlikelihoodestimators%=============================%fit_ML_maxwell-fitmaxwelliandistribution%fit_ML_rayleigh-fitrayleighdistribution%(whichisforexample:sqrt(abs(randn)^2+abs(randn)^2))%fit_ML_laplace-fitlaplacedistribution%fit_ML_log_normal-fitlog-normaldistribution%fit_ML_normal-fitnormal(gaussian)distribution%%NOTE:allestimatorsareefficientestimators.forthisreason,thedistribution%mightbewritteninadifferentway,forexample,the"Rayleigh"distribution%isgivenwithaparameter"s"andnot"s^2".%%%leastsquaresestimators%=========================%fit_maxwell_pdf-fitsagivencurveofamaxwelliandistribution%fit_rayleigh_pdf-fitsagivencurveofarayleighdistribution%%NOTE:thesefitfunctionareusedonahistogramoutputwhichislikeasampled%distributionfunction.thegivencurveMUSTbenormalized,sincetheestimator%istryingtofitanormalizeddistributionfunction.%%%%%MultivariantGaussiandistribution%==================================%fordemoof1

x=[00.10.160.270.410.480.590.8];y=[59701181001705];y1=[22.822.822.822.822.822.822.822.8];values1=spcrv([[x(1)xx(end)];[y(1)yy(end)]],3,1000);values2=spcrv([[x(1)xx(end)];[y1(1)y1y1(end)]],3,1000);plot(values1(1,:),values1(2,:),'r',values2(1,:),values2(2,:),'b')

GPR神经网络m文件用以处理处理数据集包括数据获取数据处理数据保存plot图绘制，计算0.95的置信区间，多次求解寻找平均曲线得到拟合的数据曲线代码有效完整

程序实现了RL,RLC,RC零状态响应，适用于初次学习电力系统建模和仿真的同学，可以后续添加plot画图来实现更直观的数据表现。

简单的遗传算法，计算函数最值.functionga_main()%遗传算法程序%n--种群规模%ger--迭代次数%pc---交叉概率%pm--变异概率%v--初始种群（规模为n）%f--目标函数值%fit--适应度向量%vx--最优适应度值向量%vmfit--平均适应度值向量clearall;closeall;clc;%清屏tic;%计时器开始计时n=20;ger=100;pc=0.65;pm=0.05;%初始化参数%以上为经验值，可以更改。
%生成初始种群v=init_population(n,22);%得到初始种群，22串长，生成20*22的0-1矩阵[N,L]=size(v);%得到初始规模行，列disp(sprintf('Numberofgenerations:%d',ger));disp(sprintf('Populationsize:%d',N));disp(sprintf('Crossoverprobability:%.3f',pc));disp(sprintf('Mutationprobability:%.3f',pm));%sprintf可以控制输出格式%待优化问题xmin=0;xmax=9;%变量X范围f='x+10*sin(x.*5)+7*cos(x.*4)';%计算适应度，并画出初始种群图形x=decode(v(:,1:22),xmin,xmax);"位二进制换成十进制，%冒号表示对所有行进行操作。
fit=eval(f);%eval转化成数值型的%计算适应度figure(1);%打开第一个窗口fplot(f,[xmin,xmax]);%隐函数画图gridon;holdon;plot(x,fit,'k*');%作图,画初始种群的适应度图像title('(a)染色体的初始位置');%标题xlabel('x');ylabel('f(x)');%标记轴%迭代前的初始化vmfit=[];%平均适应度vx=[];%最优适应度it=1;%迭代计数器%开始进化whileit＜=ger%迭代次数0代%Reproduction(Bi-classistSelection)vtemp=roulette(v,fit);%复制算子%Crossoverv=crossover(vtemp,pc);%交叉算子%Mutation变异算子M=rand(N,L)＜=pm;%这里的作用找到比0.05小的分量%M(1,:)=zeros(1,L);v=v-2.*(v.*M)+M;%两个0-1矩阵相乘后M是1的地方V就不变，再乘以2.NICE!!确实好！！！把M中为1的位置上的地方的值变反%这里是点乘%变异%Resultsx=decode(v(:,1:22),xmin,xmax);%解码，求目标函数值fit=eval(f);%计算数值[sol,indb]=max(fit);%每次迭代中最优目标函数值，包括位置v(1,:)=v(indb,:);%用最大值代替fit_mean=mean(fit);%每次迭代中目标函数值的平均值。
mean求均值vx=[vxsol];%最优适应度值vmfit=[vmfitfit_mean];%适应度均值it=it+1;%迭代次数计数器增加end

clearallN=100;T=4*pi/N;t=0:4*pi/N:4*pi-T;w=2*pi/(24*3600);X1=zeros(15,N);X2=zeros(15,N);L=zeros(6,N);X2(:,1)=[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0]X1(:,1)=X2(:,1);E=eye(15);W=[0-w0;w00;000];A=zeros(15,15);A(1:3,4:6)=eye(3);A(4:6,4:6)=-2*W;A(7:9,7:9)=-W;fori=10:12A(i,i)=-1/7200;endfori=13:15A(i,i)=-1/1800;endA=eye(15)+A*T+A*A*(T.^2)/2;Z1=zeros(15,15);Z2=eye(15);R=eye(6);Q=zeros(15,15);Q(15,15)=1;K=zeros(15,6);H=zeros(6,15);fori=1:6H(i,i)=1;endfori=1:NL(:,i)=zeros(6,1);L(1,i)=randn(1);endfori=2:NX1(:,i)=A*X2(:,i-1);Z1=A*Z2*A'+Q;K=Z1*H'*inv(H*Z1*H'+R);X2(:,i)=X1(:,i)+K*(L(:,i)-H*X1(:,i));Z2=[E-K*H]*Z1;endplot(t,L(1,:),'g*');holdon;plot(t,X1(1,:),'r*');

HTML版本。
数据可视化是指将结构的或者非结构的数据转换成安妥的可视化图表，可视化能够将数据愈加直接的方式揭示进去，使患上数据从主不雅更有压倒力。
R语言有自己的底子图形体系，如graphics包、grid包大概lattice包。
相比于R语言自带的底子作图函数，如`plot()`能显展现愈加丰厚化、多样化

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。