在相移干涉测量中,为了在较短时间内实现较高的精度,提出了一系列基于快速最小二乘法的两步随机相移算法。
以双滤波和差归一化算法、单滤波和差归一化算法和格兰-施密特正交化算法计算出来的相位作为迭代初始值,利用没有滤波的两幅相移干涉图进行最小二乘法运算以获取最终的相位,为了节省时间,只选取有限数量的像素来参与迭代运算。
通过比较发现,基于单滤波和差归一化算法和快速最小二乘法的两步相移算法的综合性能最好,该算法在较短时间内能获得较高的准确度。
以双滤波和差归一化算法、单滤波和差归一化算法和格兰-施密特正交化算法计算出来的相位作为迭代初始值,利用没有滤波的两幅相移干涉图进行最小二乘法运算以获取最终的相位,为了节省时间,只选取有限数量的像素来参与迭代运算。
通过比较发现,基于单滤波和差归一化算法和快速最小二乘法的两步相移算法的综合性能最好,该算法在较短时间内能获得较高的准确度。
2024/6/17 11:03:07
23.31MB
1
毕业设计和课程设计全套资料，主程序代码clc;clearall;closeall;warningoffall;I=imread('images\\1.jpg');I1=Image_Normalize(I,0);%图像归一化hsize=[33];sigma=0.5;I2=Image_Smooth(I1,hsize,sigma,0);I3=Gray_Convert(I2,0);bw2=Image_Binary(I3,0);%二值化处理[~,~,xy_long]=Hough_Process(bw2,I1,0);%霍夫变换angle=Compute_Angle(xy_long);%计算角度[I4,bw3]=Image_Rotate(I1,bw2,angle*1.8,0);%图像旋转[bw4,Loc1]=Morph_Process(bw3,0);%形态处理[Len,XYn,xy_long]=Hough_Process(bw4,I4,0);[bw5,bw6]=Region_Segmation(XYn,bw4,I4,0);[stats1,stats2,Line]=Location_Label(bw5,bw6,I4,XYn,Loc1,1);[Dom,Aom,Answer,Bn]=Analysis(stats1,stats2,Line,I4);
5.19MB
1
里面使用Keras搭建了了LSTM模型进行股价预测，详细介绍了模型的搭建、调试、评估等过程，在数据处理上包含了滑窗、归一化等步骤，是一份非常详细的代码。
2024/5/16 19:55:18
1.12MB
1
利用lssvm对时间序列进行预测，代码已调试完毕，附件有部分数据，可根据自己情况另则数据。
代码分为几个模块，包括读入数据、数据归一化、模型初始化、交叉验证、模型训练、回归预测及数据反归一化等，配有详细备注。
代码分为几个模块，包括读入数据、数据归一化、模型初始化、交叉验证、模型训练、回归预测及数据反归一化等，配有详细备注。
2024/4/20 21:35:45
776KB
1
识别0-9十个数字，BP神经网络数字识别源代码使用说明第一步：训练网络。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。
2024/3/24 15:29:46
59KB
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