该程序能拟合获得单波段模型、两波段模型、波段比值模型和三波段模型的拟合系数。

此代码为matlab代码，实现BP神经网络对函数的拟合，此代码未使用matlab工具箱函数，而是将整个前馈和反向传播过程用代码方式编写出来，因此具有很重要的参考价值

第1章注释与提示第2章关于精度第3章插值第4章曲线拟合第5章迭代第6章排序第7章儒略日第8章复活节日期第9章力学时和世界时第10章地球外形第11章恒星时与格.....共50多章

为克服光电探测器动态范围不足，难以在同一条件下精确测量线偏振器的最小光强透射率及最大光强透射率的问题，提出一种基于非线性拟合的消光比测量方法并搭建了相应的测量安装。
该方法只需在限定的角度范围内旋转被测线偏振器并采集对应的光强变化，根据建立的数学模型，进行非线性余弦拟合数据处理，进而解算出消光比。
实验结果表明，该方法的测量精度可达10

空间谱估计是阵列信号处理中的一个重要研究方向，在雷达、通信、声呐等众多领域有极为广阔的应用前景。
本书深入、系统地论述了空间谱估计的理论、算法及一些理论方法之间的关系，总结了作者多年来的研究成果以及国际上这一领域的研究进展。
全书由14章组成，次要内容有空间谱估计的研究进展、信号源数估计、线性预测（LP）类算法、MUSIC类算法、子空间拟合类算法、旋转不变子空间（ESPRIT）类算法、子空间迭代与更新、特殊信号的空间谱估计、特殊阵列的空间谱估计、阵列误差校正方法、现代信号处理在空间谱估计中的应用及多维空间谱估计等。
本书是关于空间谱估计理论与算法的一部专著，可供从事雷达、通信、导航、声呐与电子对抗等领域的广大技术人员学习与参考，也可作为高等院校和科研院所信号与信息处理、信息与通信系统等专业的研究生教材或参考书。

代码里面是整个高斯过程类的实现，拟合了y=ax+b这样的直线。
要运转的话，还要配上外围脚本，写点数据来驱动这个类。

第1篇为MATLAB常用算法应用设计，包括贝叶斯分类器的数据处理、背景差分的运动目标检测、小波变换的图像压缩、BP的模型优化预测、RLS算法的数据预测、GA优化的BP网络算法分析、分形维数应用、碳排放约束下的煤炭消费量优化预测、焊缝边缘检测算法对比分析、指纹图像细节特征提取、多元回归模型的矿井通风量计算、非线性多混合拟合模型的植被过滤带计算、伊藤微分方程的布朗运动分析、Q学习的无线体域网路由方法和遗传算法的公交排班系统分析。
第2篇为MATLAB高级算法应用设计，包括人脸检测识别、改进的多算子融合图像识别系统设计、罚函数的粒子群算法的函数寻优、车载自组织网络中路边功能及防碰撞算法研究、免疫算法的数值逼近优化分析、启发式算法的函数优化分析、一级倒立摆变结构控制系统设计与仿真研究、蚁群算法的函数优化分析、引力搜索算法的函数优化分析、细菌觅食算法的函数优化分析、匈牙利算法的指派问题优化分析、人工蜂群算法的函数优化分析、改进的遗传算法的城市交通信号优化分析、差分进化算法的函数优化分析和鱼群算法的函数优化分析。

当将现实世界的数据集拟合到特定类型的模型时，经常会遇到一个或一组观测值对模型拟合产生不当影响的情况，这可能导致误导性结论。
因此，数据分析人员有必要识别这些有影响的观察结果，并评估它们对模型拟合各个方面的影响。
在本文中，定义了一种类型的修正库克距离，以衡量一个或一组观测值对部分变系数模型中常数系数部分的估计的影响，并将库克距离表示为相应残差和杠杆作用。
同时，建议使用自举程序来得出建议的库克距离的参考值。
进行了一些模拟，并进一步分析了实际数据集，以检验所提出方法的功能。
实验结果令人满意。

图像分割的经典算法，LBF算法（局部二元拟合），matlab完成

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

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。