该文件中包含了Adaptiveas-natural-as-possibleimagestitching论文以及As-Projective-As-PossibleImageStitchingwithMovingDLT这两种较为经典的图像拼接方法。
具体包含了ransac算法、multi-GSsampling算法、求取单应性矩阵Homography的奇异矩阵算法、相似矩阵变换的求取、图像翘曲、局部单应性矩阵权重占比、图像融合等算法。
具体过程为：1.利用sift算法提取特征点2.利用ransacmulti-gs算法求取单应性矩阵H3.利用movingDLT求取referenceimage的翘曲4.利用提到的线性单应性矩阵H_linear求取网格化后的局部单应性矩阵5.图像融合及拼接
具体包含了ransac算法、multi-GSsampling算法、求取单应性矩阵Homography的奇异矩阵算法、相似矩阵变换的求取、图像翘曲、局部单应性矩阵权重占比、图像融合等算法。
具体过程为：1.利用sift算法提取特征点2.利用ransacmulti-gs算法求取单应性矩阵H3.利用movingDLT求取referenceimage的翘曲4.利用提到的线性单应性矩阵H_linear求取网格化后的局部单应性矩阵5.图像融合及拼接
2025/1/29 22:13:31
10KB
1
本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2025/1/24 21:36:25
278KB
1
针对短文本的特征稀疏性和上下文依赖性两个问题，提出一种基于隐含狄列克雷分配模型的短文本分类方法。
利用模型生成的主题，一方面区分相同词的上下，降低权重;另一方面关联不同词以减少稀疏性，增加权重。
利用模型生成的主题，一方面区分相同词的上下，降低权重;另一方面关联不同词以减少稀疏性，增加权重。
2025/1/17 8:38:18
831KB
1
PSO算法优化求解PID参数，算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。
仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。
仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。
2025/1/12 16:58:01
18KB
1
模糊综合评判方法即将评价目标看成是由多种因素组成的模糊集合（称为因素集u），再设定这些因素所能选取的评审等级，组成评语的模糊集合（称为评判集v），分别求出各单一因素对各个评审等级的归属程度（称为模糊矩阵），然后根据各个因素在评价目标中的权重分配，通过计算（称为模糊矩阵合成），求出评价的定量解值。
它是应用模糊变换原理和最大隶属度原则，对各因素作综合评价的。
其原理表示为：
它是应用模糊变换原理和最大隶属度原则，对各因素作综合评价的。
其原理表示为：
2024/12/17 6:26:20
31KB
1
霍夫曼霍夫曼树的生成，编码，解码（C++）voidinit_link(Link*head);//初始化链表voidinsert_link(Linkhead,HFMTreehfm);//向链表中插入一个元素，并按照权重排序intdelete_link(Linkhead,HFMTree*hfm);//依次删除链表中的数据，成功返回1，失败返回0/*创建赫夫曼树,str为关键字，w为对应的权重*/intcreat_hfmTree(HFMTree*root,charstr[],intw[]);/*获取赫夫曼编码表，存储在数组code中*/voidhfmTree_code(HFMTreehead,inta,charcode[]);/*译码,译码结果存储在decode数组中,code输入的报文*/
2024/12/13 21:45:46
4KB
1
使用tensorflow，OpenCVKeras,matplotlib完成的一个小demo基本操作如下1执行liveplot.py2执行trackgesture.py后，在终端命令行输入1进行手势预测，调用摄像头后，请按键盘b和g键此时就可以进行预测了。
权重文件：链接:https://pan.baidu.com/s/1i6OE5A9密码:by24
权重文件：链接:https://pan.baidu.com/s/1i6OE5A9密码:by24
2024/12/8 20:47:55
18.19MB
1
利用层次分析法需要计算权重，而权重的计算和使用是比较麻烦的，在这里封装了一些方法。
注意的吧，这个东西需要一点知识，代码应该没问题。
注意的吧，这个东西需要一点知识，代码应该没问题。
2024/12/8 0:47:29
119KB
1
下面是一种直方图双峰法改进方法1求出图像中的最小和最大灰度值和的阈值初值2根据阈值Tk将图像分割成目标和背景两部分求出两部分的平均灰度值和其中是图像上点的灰度值是点的权重系数取点灰度的概率3求出新的阈值4若结束否则+1转第2步5第4步结束后Tk即为最佳阈值。
2024/11/14 22:20:21
273B
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