目录：第一章绪论1·1生物视觉通路简介1·2Marr的计算视觉理论框架1·3本书各章内容简介1·4计算机视觉的现状与阅读本书需注意的问题思考题参考文献第二章边缘检测2·1边缘检测与微分滤波器2·2边缘检测与正则化方法2·3多尺度滤波器与过零点定理2·4最优边缘检测滤波器2·5边缘检测快速算法2·6图像低层次处理的其他问题思考题参考文献第三章射影几何与几何元素表达3·1仿射变换与射影变换的几何表达3·2仿射坐标系与射影坐标系3·3仿射变换与射影变换的代数表达3·4不变量3·5由对应点求射影变换3·6点3·7指向和方向3·8平面直线及点线对偶关系3·9空间平面及点面对偶关系3·10空间直线3·11二次曲线与二次曲面思考题参考文献第四章摄像机定标4·1线性模型摄像机定标4·2非线性模型摄像机定标4·3立体视觉摄像机定标4·4机器人手眼定标4·5摄像机自定标技术思考题参考文献第五章立体视觉5·1立体视觉与三维重建5·2极线约束5·3对应基元匹配5·4射影几何意义下的三维重建思考题参考文献第六章运动与不确定性表达6·1欧氏平面上的刚体运动6·2欧氏空间中的刚体运动6·3不确定性的描述6·4不确定性的运算6·5不确定性运算的几个例子6·6三维直线段的不确定性6·7不确定性的显示思考题参考文献第七章基于光流场的运动分析7·1光流场和运动场7·2光流的约束方程7·3微分技术7·4其他方法7·5基于光流场的定性运动解释思考题参考文献第八章长序列运动图像特征跟踪8·1引论8·2参数估计理论初步8·3特征运动模型8·4特征跟踪的阐述8·5匹配8·6实际应用中需要考虑的问题思考题参考文献第九章基于二维特征对应的运动分析9·1极线方程和本质矩阵9·2基于点匹配的运动计算9·3图像是一个空间平面的投影时的运动计算9·4基于直线匹配的运动计算9·5基本矩阵的估计思考题参考文献第十章基于三维特征对应的运动分析10·1由三维点匹配估计运动10·2不需显式匹配的方法10·3从三维直线匹配估计运动10·4从平面匹配估计运动10·5二维-三维的物体定位思考题参考文献第十一章由图像灰度恢复三维物体形状11·1辐射度学与光度学11·2光照模型11·3由多幅图像恢复三维物体形状11·4由单幅图像恢复三维物体形状思考题参考文献第十二章建模与识别12·1CAD系统中的三维模型表达12·2曲线与曲面的表达12·3三维世界的多层次模型12·4由二维图像建模12·5识别的一般原则——问题与策略12·6特征关系图匹配12·7“假设检验”识别方法思考题参考文献第十三章距离图像获取与处理13·1距离传感器13·2数据预处理13·3深度图分割思考题参考文献第十四章计算机视觉系统体系结构讨论与展望14·1计算机视觉系统的基本体系结构14·2视觉系统体系结构讨论14·3主动视觉14·4计算机视觉的应用展望参考文献附录A实验数据及参考结构A·1图像的格式A·2摄像机定标A·3立体视觉A·4基于光流场的运动分析A·5长序列运动图像特征跟踪A·6基于二维特征对应的运动分析A·7基于三维特征对应的运动分析

实现了arcgisjsapi最优路径分析，包里有路径分析好的数据，按照推荐的网站发布成网络服务，修改下网页中加载的服务路径，最优路径分析功能就可以运行，里面有本人好的效果。
希望帮助到你

人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。
为了解决多变量函数优化问题，Karaboga提出了人工蜂群算法ABC模型（artificialbeecolonyalgorithm）。
本资源为人工蜂群算法matlab代码

第1章绪论1.1什么叫数理统计学1.2数理统计的若干基本概念1.3统计量习题一第2章抽样分布及若干预备知识2.1引言2.2正态总体样本均值和样本方差的分布*2.3次序统计量的分布2.4X2分布，t分布和F分布2.5统计量的极限分布*2.6指数族2.7充分统计量*2.8完全统计量习题二第3章点估计3.1引言3.2矩估计3.3极大似然估计*3.4一致最小方差无偏估计3.5Cramer-Rao不等式习题三第4章区间估计4.1区间估计的基本概念4.2枢轴变量法——正态总体参数的置信区间4.3枢轴变量法——非正态总体参数的置信区间4.4Fisher的信仰推断法4.5容忍区间与容忍限习题四第5章参数假设检验5.1假设检验的若干基本概念5.2正态总体参数的假设检验5.3假设检验与区间估计*5.4一致最优检验与无偏检验5.5似然比检验

电力系统最优潮流计算，可以运行，运行结果为最小网损，采用的是改进版的前推后代法

基于遗传算法的曲线拟合实验报告和matlab仿真源码。
遗传算法求实验所建模型所需参数的最优值，实现现有数据曲线图的曲线拟合。

作业车间调度问题是将多台机器安排处理多个工件的组合优化问题，使最大完工时间达到最小。
应用传统萤火虫算法求解时，萤火虫个体到达最优解附近时，相对吸引力逐渐增强，导致局部搜索能力减弱，造成求解结果在最优解附近震荡，进而使求解精度下降。
为改善解的质量，本文在萤火虫算法迭代过程中引入精英选择策略，保护进化过程中的优秀个体，避免最优解丢失；
为提高算法收敛速度与求解精度，对萤火虫位置更新方法引入基于种群规模和迭代次数的动态自适应惯性权重；
同时对每一代萤火虫种群最优个体引入禁忌搜索算法，提高局部搜索能力。
仿真结果表明本文所提出改进算法在解决作业车间调度问题上的有效性与实用价值。

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

 市车载网环境下车辆的高速移动以及街道障碍物阻挡等原因，导致VANETs分割现象严重，以至于车载网不能正常通信，因此许多研究提出通过引入无线接入点（AP）来增强车载网通信的可能性。
本文就是针对城市环境的VANETs的AP布局问题的研究，在基于车流量和粒子群算法的基础上提出的解决方案，并给出了相应的仿真，仿真结果表明该算法能在保证覆盖率的情况下实现AP的优化布局，同时在寻优过程中具有较快的收敛速度和较好的收敛性。

利用Python实现GUI编程，通过构造不用类，实现定向抓取淘宝商品、每日优鲜商品、比价网商品、天猫超市商品来获取目标商品最新价格、优惠、销量信息。
程序内附一定反爬技术。
以上全部基于移动端抓取实现。
打包利用--pyinstaller

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。