采用多种群协同的多目标粒子群算法，测试函数为ZDT1。
.....................................................
.....................................................
2024/9/18 17:12:29
11KB
1
在不同位置和激光辐照能量的条件下,采用传声器采集并提取了等离子体冲击波的压强值及其起始时间信息,分析了等离子体冲击波在空气中的传播规律，拟合得到了冲击波声压值与激光辐照能量的关系函数。
结果表明，激光等离子体冲击波以球面波形式在空气中进行传播，其声压值与激光辐照能量呈非线性的正相关关系。
结果表明，激光等离子体冲击波以球面波形式在空气中进行传播，其声压值与激光辐照能量呈非线性的正相关关系。
2024/9/18 15:24:36
4.12MB
1
无向图中最大团问题的matlab代码，利用的算法是回溯法，代码包含MCP函数、测试代码和根据邻接矩阵画无向图的函数；
2024/9/18 11:31:52
2KB
1
Morpheus图形引擎Morpheus是在低级图形API之上构建的实时图形引擎。
Morpheus带有一个基于物理的渲染器，该渲染器具有基于球谐函数的辐照度。
Morpheus目前正在开发中，主要目的是作为一个教育爱好项目。
该引擎的是用OpenGL编写的，但是我已经迁移到DiligentEngine，因为我在OpenGL中遇到了许多限制，而Vulkan对于我来说太冗长了。
DiligentEngine是Direct3D12/11，Vulkan，Metal和OpenGL之上的薄薄抽象层，我非常喜欢使用它，并将其推荐给其他感兴趣的人。
特征我的图形引擎中的所有内容目前仍在开发中。
但是，引擎中当前有许多功能：基于物理的正向渲染器（请参见DefaultRenderer类）：渲染器基础的阴影模型基于。
为了有效地表示辐照度场，我通过的技术计算并变换了球谐系数线程池/任务计划程
Morpheus带有一个基于物理的渲染器，该渲染器具有基于球谐函数的辐照度。
Morpheus目前正在开发中，主要目的是作为一个教育爱好项目。
该引擎的是用OpenGL编写的，但是我已经迁移到DiligentEngine，因为我在OpenGL中遇到了许多限制，而Vulkan对于我来说太冗长了。
DiligentEngine是Direct3D12/11，Vulkan，Metal和OpenGL之上的薄薄抽象层，我非常喜欢使用它，并将其推荐给其他感兴趣的人。
特征我的图形引擎中的所有内容目前仍在开发中。
但是，引擎中当前有许多功能：基于物理的正向渲染器（请参见DefaultRenderer类）：渲染器基础的阴影模型基于。
为了有效地表示辐照度场，我通过的技术计算并变换了球谐系数线程池/任务计划程
2024/9/17 20:47:07
193.56MB
1
MultiColumnComboBoxEx(1.2)主要功能：1）下拉框和文本框中显示多列；
2）指定显示的列及其顺序；
3）设定框高与项高；
4）提供Items.IndexOf代替函数ItemIndexOf；
5）支持RightToLeft(RTL)。
具体实现请参考：http://blog.csdn.net/hulihui/archive/2009/02/01/3856824.aspx。
2）指定显示的列及其顺序；
3）设定框高与项高；
4）提供Items.IndexOf代替函数ItemIndexOf；
5）支持RightToLeft(RTL)。
具体实现请参考：http://blog.csdn.net/hulihui/archive/2009/02/01/3856824.aspx。
2024/9/17 10:52:02
33KB
1
在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
2024/9/16 15:29:46
5.33MB
1
libsvm-3.22工具包，含有网格法查找最优解函数SVMcgForClass.m，libsvm工具包（含网格法查找最优解函数SVMcgForClass.m）
2024/9/16 12:41:35
859KB
1
（1）输入字符序列，建立二叉链表。
（2）先序、中序、后序遍历二叉树:递归算法。
（3）中序遍历二叉树:非递归算法（最好也能实现先序，后序非递归算法）。
（4）求二叉树的高度。
（5）求二叉树的叶子个数。
（6）对于树中每一个元素值为x的结点，删去以它为根的子树，并释放相应的空间。
（8）借助队列实现二叉树的层次遍历。
（9）在主函数中设计一个简单的菜单，分别调试上述算法。
（2）先序、中序、后序遍历二叉树:递归算法。
（3）中序遍历二叉树:非递归算法（最好也能实现先序，后序非递归算法）。
（4）求二叉树的高度。
（5）求二叉树的叶子个数。
（6）对于树中每一个元素值为x的结点，删去以它为根的子树，并释放相应的空间。
（8）借助队列实现二叉树的层次遍历。
（9）在主函数中设计一个简单的菜单，分别调试上述算法。
2024/9/16 7:26:37
88KB
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