一、课程设计任务完成在如下两个题目中任选一个题目。
1、网络数据计算（1）在Linux系统下，使用TCP协议套接字编程；
（2）服务器应具有处理多个客户端连接并计算的能力；
（3）过程描述客户端：连接服务器后，从键盘输入一连串的整数及字符串，并将这些整数及字符串发送到服务器，并发送结束指令（自定义结束指令），等待服务器返回计算结果，显示结果后退出；
服务器：为每个客户连接创建一个进程，处理客户数据，显示每次收到一个整数或字符串，收到结束指令后将整数累加，并将累加结果返回客户端，并关闭连接，结束进程。
2、linux系统下实现聊天室（1）在Linux系统下，使用TCP协议套接字编程；
（2）服务器应具有处理多个客户端连接能力（设定最大连接数，如5个）；
（3）具有群发和私聊的能力；
（4）过程描述客户端：连接服务器后，应能接收服务器发来信息并处理的能力，当收到聊天信息时，显示群发或私聊、信息发送客户及发送的信息，当收到客户加入或退出时，显示客户登录或退出，并更新客户列表；
每次可选择群发或私聊，群发时将键盘输入信息发送给服务器，私聊时，选择私聊客户并将输入信息发送给服务器。
选择退出时，结束进程或线程，关闭程序。
服务器：为每个客户连接创建一个进程或线程，处理客户信息，当有新客户加入或有客户退出时，将客户加入或退出信息发送给每个客户端；
当收到某客户的群发信息时，将信息转发给每个客户，当收到客户私聊时将信息转发给私聊客户；
客户退出时关闭相应的进程或线程。
二、课程设计时间一周三、课程设计说明书每名学生完成课程设计任务的同时，撰写课程设计说明书，见附件，可打印也可手写，但不得抄袭。
四、课程设计成绩评定标准课程设计根据学生在课程设计过程的出勤、学习态度及课程设计任务完成情况综合评定课程设计成绩，具体分值所占比例为：（1）出勤、上机态度占总成绩20%，若发现做与课程设计无关事情，每次扣5分；
（2）课程设计说明书占总成绩40%，若发现有抄袭行为，课程设计成绩为不及格；
（3）课程设计完成效果及答辩占总成绩40%。
按照优、良、中、及格和不及格五级给予最终成绩。

数字图像处理（DIA）相关实验，包括matlab的源代码、效果图与论文等参考资料。
任务描述：1. 给定一对图像，利用提取好的SIFT特征文件，根据距离阈值准则（跨图像的局部SIFT特征距离小于0.4），得到图像间的初始局部特征匹配关系；
2. 基于上述初步匹配结果，实现spatialcoding方法，进行匹配校验，确定几何不一致的匹配；
3. 将几何一致的匹配和不一致的匹配在图像上画出来，分别用蓝色和红色进行区分。

利用6kW光纤激光器对1.5mm厚冷轧800MPa级双相钢进行激光拼焊试验，研究激光焊接接头的显微组织演变规律、显微组织对显微硬度及疲劳性能的影响规律。
结果表明，焊接接头主要包括焊缝区（WZ）、粗晶区（CGHAZ）、细晶区（FGHAZ）、混晶区（MGHAZ）和回火区（TZ），其中焊缝区和粗晶区显微组织均为马氏体，但焊缝区内的原始奥氏体晶界保留着柱状晶的生长形态，粗晶区内的原始奥氏体晶界呈多边形生长；
细晶区和混晶区均为铁素体和马氏体，但细晶区的显微组织更为精细；
回火区主要由铁素体和回火马氏体组成。
混晶区和回火区显微硬度均低于母材，共同组成了焊接接头的软化区。
由于软化区尺寸相对较窄（0.4mm）且硬度降低幅度低（~6.8%），拉伸断裂位置出现在母材。
在应力比为0.1的拉拉疲劳条件下，母材和焊接接头的疲劳极限分别为545MPa和475MPa，疲劳断裂未出现在软化区。
母材中的疲劳裂纹在铁素体与马氏体两相界面萌生并扩展；
而焊接接头中的疲劳裂纹则在焊缝中的奥氏体晶界上或马氏体板条内萌生，沿着焊缝中心处柱状原始奥氏体晶界的交汇处切断马氏体板条束扩展。

S6D0139_V0.4_20060304.pdf

//透明度固定为1，以0x开头的十六进制转换成的颜色[UIColorcolorWithHex:333333];+(UIColor*)colorWithHex:(long)hexColor;//0x开头的十六进制转换成的颜色,透明度可调整[UIColorcolorWithHex:123456alpha:0.4];+(UIColor*)colorWithHex:(long)hexColoralpha:(float)opacity;//颜色转换三：iOS中十六进制的颜色（以#开头）转换为UIColor//[UIColorcolorWithHexSt

设计了一款由5片塑料非球面透镜和1个红外滤光片组成的1300万像素的手机镜头,系统采用1/3inch(1inch=2.54cm)的CMOS作为该镜头的图像传感器,像素颗粒大小为1.12mm。
镜头的焦距为3.9mm，F数为2.2,视场角为78°。
在1/2极限频率处调制传递函数(MTF)值都大于0.4,可以获得优质的成像效果，最大畸变小于2%,相对照度大于36%，公差也相对较松，能够满足生产中的需要。

SafeInCloud密码管理器可让您将登录名，密码和其他私人信息安全地保存在加密的数据库中。
您可以通过自己的云帐户将数据与其他手机，平板电脑，Mac或PC同步。
没有订阅，没有月租费！您只需购买一次SafeInCloud，即可在所有Android设备上使用它，而无需支付任何额外费用。
主要特征◆易于使用◆材质设计◆黑色主题◆强加密（256位高级加密标准）◆云同步（GoogleDrive，Dropbox，OneDrive，Yandex磁盘，NAS，ownCloud，WebDAV）◆使用指纹登录（三星设备和Android6.0设备）◆AndroidWear应用程序◆密码强

贝叶斯网络matlab工具箱，FullBNT-1.0.4

对现有的GPU体位移流水线结构进行了深入地分析，为消除流水线速度变化，采用自适应数据划分剔除算法对体数据进行子划分，剔除除实验结果表明加速算法能有效提高流水线实际吞吐率，与原始算法分类，加速算法节省了40％〜60％的投放时间。

一、引言自适应噪声抵消技术是一种能够很好的消除背景噪声影响的信号处理技术，应用自适应噪声抵消技术，可在未知外界干扰源特征，传递途径不断变化，背景噪声和被测对象声波相似的情况下，能够有效地消除外界声源的干扰获得高信噪比的对象信号。
从理论上讲，自适应干扰抵消器是基于自适应滤波原理的一种扩展，简单的说，把自适应滤波器的期望信号输入端改为信号加噪声干扰的原始输入端，而它的输入端改为噪声干扰端，由横向滤波器的参数调节输出以将原始输入中的噪声干扰抵消掉，这时误差输出就是有用信号了。
在数字信号采集、处理中，线性滤波是最常用的消除噪声的方法。
线性滤波容易分析，使用均方差最小准则的线性滤波器能找到闭合解，若噪声干扰类型为高斯噪声时，可达到最佳的线性滤波效果。
计算机论文www.lunwendingzhi.com；
机械毕业论文www.lunwenwanjia.com在实际的数字信号采集中，叠加于信号的噪声干扰往往不是单一的高斯噪声，而线性滤波器所要求的中等程度噪声偏移，使线性滤波器对非高斯噪声的滤波性能下降，为克服线性滤波器的缺点，往往采用非线性滤波器，所以本文采用神经网络对信号进行滤波处理。
二、基于BP算法和遗传算法相结合的自适应噪声抵消器在本文中，作者主要基于自适应噪声对消的原理对自适应算法进行研究，提出了一种新的算法，即BP算法和遗传算法相结合的自适应算法。
作者对BP网络的结构及算法作了一个系统的综述，分析了BP算法存在的主要缺陷及其产生的原因。
传统的BP网络既然是一个非线性优化问题，这就不可避免地存在局部极小问题，网络的极值通过沿局部改善的方向一小步进行修正，力图达到使误差函数最小化的全局解，但实际上常得到的使局部最优点。
管理毕业论文网www.yifanglunwen.com；
音乐毕业论文www.xyclww.com；
英语毕业论文www.lanrenbanjia.com；
学习过程中，下降慢，学习速度缓，易出现一个长时间的误差平坦区，即出现平台。
通过对遗传算法文献的分析、概括和总结，发现遗传算法与其它的搜索方法相比，遗传算法（GA）的优点在于：不需要目标函数的微分值；
并行搜索，搜索效率高；
搜索遍及整个搜索空间，容易得到全局最优解。
所以用GA优化BP神经网络，可使神经网络具有进化、自适应的能力。
BP-GA混合算法的方法出发点为：经济论文www.youzhiessay.com教育论文www.hudonglunwen.com；
医学论文网www.kuailelunwen.com；
（1）利用BP神经网络映射设计变量和目标函数、约束之间的关系；
（2）用遗传算法作实现优化搜索；
（3）遗传算法中适应度的计算采用神经网络计算来实现。
BP-GA混合算法的设计步骤如下：（1）分析问题，提出目标函数、设计变量和约束条件；
（2）设定适当的训练样本集，计算训练样本集；
（3）训练神经网络；
（4）采用遗传算法进行结构寻优；
（5）利用训练好的神经网络检验遗传算法优化结果。
若满足要求，计算结束；
若误差不满足要求，将检验解加入到训练样本集中，重复执行3～5步直到满足要求。
通过用短时傅立叶信号和余弦信号进行噪声对消性能测试，在单一的BP算法中，网络的训练次数、学习速度、网络层数以及每层神经元的节点数都是影响BP网络的重要参数，通过仿真实验可以发现，适当的训练次数可以使误差达到极小值，但是训练次数过多，训练时间太长，甚至容易陷入死循环，或者学习精度不高。
学习速度不能选择的太大，否则会出现算法不收敛，也不能选择太小，会使训练过程时间太长，一般选择为0.01～0.1之间的值，再根据训练过程中梯度变化和均方误差变化值确定。
基于梯度下降原理的BP算法，在解空间仅进行单点搜索,极易收敛于局部极小，而GA的众多个体同时搜索解空间的许多点，因而可以有效的防止搜索过程收敛于局部极小，只有算法的参数及遗传算子的操作选择得当，算法具有极大的把握收敛于全局最优解。
使用遗传算法需要决定的运行参数中种群大小表示种群中所含个体的数量，种群较小时，可提高遗传算法的运算速度，但却降低了群体的多样性，可能找不出最优解；
种群较大时，又会增加计算量，使遗传算法的运行效率降低。
一般取种群数目为20～100；
交叉率控制着交叉操作的频率，由于交叉操作是遗传算法中产生新个体的主要方法，所以交叉率通常应取较大值，但若过大的话，又可能破坏群体的优良模式，一般取0.4～0.99；
变异率也是影响新个体产生的一个因素，变异率小，产生个体少，变异率太大，又会使遗传算法变成随机搜索，一般取变异率为0.0001～0.1。
由仿真结果得知，GA与BP算法的混合算法不论是在运行速度还是在运算精度上都较单纯的BP算法有提高，去噪效果更加明显，在信噪比的改善程度上，混合算法的信噪

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。