可以允许限制交易手数，满足小资金跟单客户的需求。
实时显示样本账户、下单账号的持仓和盈亏情况，便于观察能否漏单，计算滑点。
显示下单账号的盈亏情况，及时止盈止损
实时显示样本账户、下单账号的持仓和盈亏情况，便于观察能否漏单，计算滑点。
显示下单账号的盈亏情况，及时止盈止损
2022/9/4 2:59:29
195KB
1
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
积分不够私信我
基于Matlab的机器学习WKNN，加权K近邻，含无数据包内含178个数据样本。
积分不够私信我
2022/9/4 1:58:55
10KB
1
cnn+rnn+attention以及CTC-loss融合的文字识别代码，基于tensorflow实现，要的拿去不客气，样本使用自我合成的数据，可本人添加，有些人傻的，上来就说不能直接运行，大爷的说了要添加训练样本，傻吗。
。
。
。
。
2022/9/3 21:26:23
16KB
1
CS231A课程项目：深度立体声匹配重新实现GC-Net我主要是重新实现GC-Net。
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
我实现了两个版本的GC-Net模型：一个带有掩码（损失被掩码），另一个不带掩码。
结果定性结果SceneFlow上的无遮罩版本，原始图像和预测样本：SceneFlow上的带遮罩版本，遮罩的地面真相，遮罩的预测和未遮罩的预测：在KITTI训练集上，要了解真实情况，掩盖的预测和未掩盖的预测：在KITTI测试集中，原始图像和预测样本：定量结果由于KITTI数据集非常稀疏，因而提供的groundtruths是带遮罩的，我首先实现并训练带遮罩的版本。
但是我发现一些预测非常模糊。
（我的口罩有点过多）。
虽然定性结果看起来不错，但是SceneFlow测试集上的定量结果不是很好。
至于KITTI，这不是令人满意的版本，因而我不提交。
并且由于时间和资源的限制，我不进行验证。
我在训
2022/9/3 12:38:33
16.3MB
1
针对氧化铝配料过程中前往物料成分波动大且难以在线检测的问题,首先,利用滞后的离线分析获得的多变量时间序列,直接构造包含充分预测信息的初始相空间;然后,构建时间序列决策表,并采用一种IGA算法对冗余嵌入和冗余变量进行Rs约简,获取广义重构相空间;最后,根据广义重构结果构造输入样本集,建立LS_SVM实时预测模型.仿真结果表明,提出的模型具有较好的泛化能力,能获得较理想的返料成分含量预测精度(6种氧化物的相对均方根误差均小于13%),具有一定的应用价值.
2022/9/3 6:59:10
889KB
1
霍夫变换大多都用在二维立体中的线、圆检测，这里将其扩展到三维空间点的立体检测。
文件里面包含文档和代码，数据样本。
https://blog.csdn.net/OEMT_301/article/details/103958624
文件里面包含文档和代码，数据样本。
https://blog.csdn.net/OEMT_301/article/details/103958624
2022/9/3 0:25:35
8.46MB
1
纹理图像分割算法，即把一张纹理图像分割成许多样本，然后利用imagequilting算法，重重生成另一张纹理图像，这样可以求出样本的平均值进行排序，直接运行程序imagequilt.m即可看到效果
2017/3/25 13:35:58
8.66MB
1
负样本对照随意，可以随意用自然场景来生成http://blog.csdn.net/zhuangxiaobin/article/details/25476833
2017/3/6 5:17:58
47.27MB
1
，利用TOPSIS法计算网络训练理想输出样本值。
首先建立起包括3个投入和4个产出的企业技术创新测度评价目标体系，然后根据综合评价要求和网络训练学习的可行性、有效性，设计出3．1O．1拓扑结构的BP神经网络模型，其中，网络输入为3个技术创新投入测度，网络输出为1个技术创新测度评价值，而用于神经网络训练学习的理想输出是根据4个技术创新产出测度，运用TOPSIS法计算得出的综合评价值。
实证部分，以9家上市企业近四年技术创新投入产出目标值样本为例，运用本文所提出的方法，借助MATLAB神经网络工具箱，通过大量的学习样本的测试和训练，使模型的误差值达到预定的范围内，从而建立起可用于企业技术创新测度综合评价的神经网络模型。
首先建立起包括3个投入和4个产出的企业技术创新测度评价目标体系，然后根据综合评价要求和网络训练学习的可行性、有效性，设计出3．1O．1拓扑结构的BP神经网络模型，其中，网络输入为3个技术创新投入测度，网络输出为1个技术创新测度评价值，而用于神经网络训练学习的理想输出是根据4个技术创新产出测度，运用TOPSIS法计算得出的综合评价值。
实证部分，以9家上市企业近四年技术创新投入产出目标值样本为例，运用本文所提出的方法，借助MATLAB神经网络工具箱，通过大量的学习样本的测试和训练，使模型的误差值达到预定的范围内，从而建立起可用于企业技术创新测度综合评价的神经网络模型。
2017/8/12 4:40:07
976B
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