算法设计方法的基本思想及其适用特征——分治法、动态规划法、贪心法、回溯法、分支限界法。

Kalman滤波器理论与应用：基于MATLAB实现》以Kalman滤波器为主要介绍对象，包含基本原理、推导方法及其在跟踪系统中的应用，同时配套MATLAB源程序。
具体内容包括Kalman滤波器、扩展Kalman滤波器、不敏Kalman滤波器及其在RFID系统的跟踪应用研究。
　　《Kalman滤波器理论与应用：基于MATLAB实现》凝练了作者二十余年来对Kalman滤波器基础理论及在目标跟踪应用的研究成果，具体内容包括：根据目标运动特征进行自调整参数的“自适应动力学模型”、不敏变换的性能分析、RFID跟踪系统的测量方程及其仿真平台等。
　　《Kalman滤波器理论与应用：基于MATLAB实现》可作为自动化、电子信息、计算机应用、控制科学与工程、信号处理、导航与制导等相关专业高年级本科生和研究生的教材，也可供相关领域的工程技术人员和研究人员参考。

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

从地形分析的复杂性角度，可以将地形分析分为两大部分：一部分是基本地形因子（包括坡度、破向、粗糙度等）的计算，另一部分是复杂的地形分析包括可视性分析、地形特征提取、水文系特征分析、道路分析等。
　　其中坡面地形因子分析是数字地形分析的最基础的内容。

需要Unity5.2.0或更高版本。
用于将使用3dmax，Terragen或任何其他编辑器创建的3D地形模型快速转换为UnityTerrain的组件。
特征：•支持Unityv5.2-Unity2018.x•组件中使用的模型和地形数量无限;•地形在网格的相同位置创建;•将模型的纹理转换为地形纹理;•使用多个地形时效果无缝;•手动添加模型或自动检测图层中的所有模型;•无需手动添加物理组件;•使用ReliefTerrainPack（可选）;•内置更新系统。

特征检测与匹配的目标是识别一个图像中的关键点与另一个图像中的对应点之间的配对。
在此实验中，你将编写代码以检测图像中的特征点（对于平移、旋转和照明具有一定的不变性），并在另一个图像中找到最佳匹配特征。
为了帮你可视化结果并调试程序，我们提供了一个用户界面，可以显示检测到的特征和最佳匹配。
我们还提供了一个示例ORB特征检测器，用于结果比较。
该实验有三个部分：特征检测、特征描述和特征匹配。
您所需要实现的所有代码都在features.py中。

基于多特征融合的防遮挡目标跟踪算法

直方图是狮子图像一个重要的全局特征的表示方法，利用直方图的这个特性在空域上实施水印的嵌入和提取。

EngineeringEquationSolver(EES)工程方程求解器主要由美国最顶尖公立大学之一UniversityofWisconsin-Madison机械系SanfordAKlein教授开发。
EES核心模块式是美国国标局NIST物性参数软件包REFPROP（ReferenceFluidThermodynamicandTransportPropertiesDatabase）的基础。
EES是一款通用的方程求解程序，它可以数值化求解数千连接的非线性代数和微分方程。
该程序还可以用来解决微分和积分方程，做优化，提供了不确定性分析，进行线性和非线性回归，转换单位，检查单位的一致性，并生成出版质量的情节。
EES的一个主要特征是其高精确度的热力学和传输性质的数据库，提供了数百物质的方式来增强求解能力。
此软件只作交流学习之用，严禁用于商业用途。
请支持正版！

内部包含orl人脸数据库；
朴素贝叶斯分类数值型数据、取点测比例距、训练数据集特征向量化、（PCA+adaboostPCA+SVM人脸识别(可用，全面)）四种人脸识别相关的功能，经过测试均可用，4者代码相互之间没有关系，且第四个“测试成功@（PCA+adaboostPCA+SVM(可用，全面)）”可以完整进行人脸识别，下载者根据功能需要选择使用

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。