这是一本入门的书,其宗旨是向读者引见经典的和现代的图像重建方法.本书涵盖了二维(2D)平行光束和扇形束成像,三维(3D)平行线,平行面,及锥形束成像.包括解析算法和迭代算法.本书还描述了这些算法在X光CT,SPECT,PET,和MRI等医学影像中的应用.本书对最新的研究成果,如使用截断的投影数据精确重建ROI,Katsevich的锥形束滤波反投影(FBP)算法,以及利用l0极小化方法来重建极度欠采样数据.

采用最大似然交替投影迭代的方法对信号进行DoA估计，很适用的

国科大2017-2018年高级软件工程程相关的复习考试真题资料。
本人整理和同学对了答案的试题和答案内容：一、概念解释1.敏捷开发方法与Scrum方法2.基于计划-文档开发方法(Plan-and-DocumentbasedDevelopment)3.DRY(Don’tRepeatYourself)无重复代码4.MVC(软件作为服务的开发框架)5.SMART用户故事6.TDDand红-绿-重构7.FIRST测试原则8.代码味道及类内方法SOFA原则(说明S、O、F、A分别代表什么?违法该原则的代码的不好特征、重构和修复的方法)9.类间关系的SOLID原则(说明每个原则的意义、违法该原则的代码的不好特征、重构和修复的方法)(1)单一责任原则(2)开闭原则(3)里氏替换原则(4)依赖注入原则(5)迪米特法则10.持续集成及开发11.文档对象模型(DOM)和jQuery12.JavaScript函数特点13.HTML14.ruby面向对象15.ruby访问控制public、private和protected16.CSS规则构成17.ruby中的数组18.Ruby哈希(Hash)19.Ruby迭代器:each和collect20.Git工作流程

利用组合惯导的gps信息及四元从来拼接点云，同时实现拼接后每五帧点云迭代显示，并且拼接后拼接的点云转回了雷达坐标系，能够像处理单帧点云一样处理拼接后的点云（我拼接就是为了让点云线数更密），有很多地方可供大家参考和调试

本资源是使用Matlab程序应用newton迭代法解非线性方程组，并有实例正文在程序内部，在Matlab控制窗口中输入代码可直接运行。
在数值分析和数据处理中应用很广。

一个使用于智能交通场景的demo，实现了车辆和行人的追踪检测；
车辆不礼让行人检测；
车辆非法越线检测；
车牌识别的择优迭代；
具体参见我的博客：competition1——智能交通场景使用。

TOGAF是一个架构框架，即开放群组架构框架（TheOpenGroupArchitectureFramework）。
简言之，它是一种工具，用来协助架构的接受、创建、使用和维护。
它基于一个迭代的过程模型，由一些最佳实践和一套可重用的已有架构资产支持。

本程序采用牛拉法编写，采用直角坐标方式，先形成导纳矩阵，再形成雅可比矩阵进行迭代，最后计算各支路及平衡节点的功率

本书无疑是这一领域中创作的著作……每个人都可以把它作为教材和参考书。
本书深入浅出地介绍实时系统的开发过程和技术，提供成功的嵌入系统编程方式，书中采用面向对象软件开发的实践技巧，分析如何提高实时编程的质量。
本书结合嵌入式系统编程中最新概念，使用统一建模语言以及来自于对象技术中的最佳实践，揭示了实时系统开发过程中复杂问题和细节问题，阐明了可调度性，行为模式，实时框架等重要主题，以期帮助读者成为愈加有效的实时编程人员。
随书光盘包括：书中的模型和两个在实时系统和嵌入式系统开发过程中特别有用的应用程序。
本书将实时系统、对象建模、快速开发过程以及系统保险性等几个完全分离的学科统一起来，重点介绍了使用统一建模语言进行基于模型的实时系统和嵌入式系统开发以及被称为ROPES的基于风险的迭代开发生命周期。
本书共分为四部分，包括：基础知识、分析、设计、高级实时对象建模。
另外，书后还包括三个附录，总结了UML符号表示并介绍了两个工具——PhapsodyTimeWiz。

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

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。