在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

在分析各种冗余时间之间作用机理的基础上，以列车旅行时间和列车到发站延误时间最短为优化目标，建立运行图冗余时间优化规划模型。
在此基础上引入遗传粒子群优化算法对模型进行求解，并用MATLAB仿真。
以虚拟运行时刻表为背景，通过合理设置列车运行干扰时间和仿真分析方案，对结果进行分析。
结果表明：用该模型和算法得到的规划方案相比较于固定比例方案，总延误时间短，列车在区间和车站的晚点次数少;相比较于遗传算法求解该模型的总延误时间短，总冗余时间设置多，但是列车在车站和区间的晚点次数少。

使用vc编写PSO算法，实现粒子的寻优，其中运用了龙格库塔进行轨迹优化。

支持向量数据描述(SupportVectorDataDescription,SVDD)语言：MATLAB版本：V2.1-----------------------------------------------------创作不易，欢迎各位5星好评~~~如有疑问或建议，请发邮件至：iqiukp@outlook.com可提供关于该算法/代码的付费咨询和有偿编写-----------------------------------------------------主要特点1.支持单值分类和二值分类的超球体构建2.支持多种核函数(linear,gaussian,polynomial,sigmoid,laplacian)3.支持2D或3D数据的决策边界可视化4.支持基于贝叶斯超参数优化、遗传算法和粒子群算法的SVDD的参数优化5.支持加权的SVDD-----------------------------------------------------注意1.SVDDV2.1仅支持R2016b以上的MATLAB版本2.正样本和负样本对应的标签分别为1和-13.提供了多个示例文件，每个文件的开头都有对应的引见4.此代码仅供参考5.可以阅读“SVDD-V2.1使用说明.pdf”文件了解更多用法

多个函数利用多种粒子群算法处理优化问题：用二阶粒子群优化算法求解无约束优化问题用二阶振荡粒子群优化算法求解无约束优化问题用混沌粒子群优化算法求解无约束优化问题用基于选择的粒子群优化算法求解无约束优化问用基于交叉遗传的粒子群优化算法求解无约束优化问用基于模拟退火的粒子群优化算法求解无约束优化问题用随机权重粒子群优化算法求解无约束优化问题用学习因子同步变化的粒子群优化算法求解无约束优化问题用学习因子异步变化的粒子群优化算法求解无约束优化问题

并网运行模式是发挥微网系统与大电网互补灵活性的重要方式。
建立了含有储能单元和多微源包括光伏电池、风力发电机、燃料电池、柴油发电机的复杂微网系统模型。
在分时电价机制下,基于调度时段内追踪净负荷及SOC的状态变化制定了的优化调度策略。
以含多约束条件的经济及环境成本最优化为目标函数建立了优化模型，通过改进的粒子群算法求解模型得出各微源及蓄电池整个调度周期内运行状态。
最后，结合具体算例验证了该调度策略和改进算法的可行性。

为了让广大学者更直观的了解例子群算法，作者编制了粒子群算法演示程序，可以直观的观察例子群算法的寻优过程，并提供了源程序，供广大学者学习交流。

简明量子力学：量子力学诞生于二十世纪之初，是科学史上最深刻的革命之一。
它颠覆了经典物理中许多基本观念，为我们描绘了原子分子以及更小基本粒子的神奇行为，而且它带来的技术革命已经并正在深刻改变人类社会的方方面面。
尽管它是如此的重要，但很长一段时间量子力学只被物理学家，少数哲学家和相关人士关心。
最近随着量子信息技术的发展，量子力学越来越遭到大众的关注。

自顺应多目标粒子群优化器TheAdaptiveMulti-ObjectiveParticleSwarmOptimizer(AMOPSO）.

方便大家用于完成目标对象的动态优化，其中包括动态粒子群优化算法和动态蜂群优化算法

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。