均值漂移算法meanshiftTrack一、实验内容完成基于MeanShift的目标跟踪算法，红框标出目标区域实现实时追踪。
二、算法原理1.在当前帧，计算候选目标的特征2.计算候选目标与初始目标的相似度3.计算权值4.利用MeanShift算法，计算目标新位置在这里插入图片描述5.若新目标中心需位于原目标中心附近，则停止，否则转步骤2三、思路流程截取跟踪目标矩阵rect；
求取跟踪目标的加权直方图hist1；
读取视频序列中的一帧，先随机取一块与rect等大的矩形，计算加权直方图hist2；
计算两者比重函数，如果后者差距过大，更新新的矩阵中心Y，进行迭代（MeanShift是一种变步长可以迅速接近概率密度峰值的方法），直至一定条件（移动步长平方和大于0.5或超过20次迭代）后停止。
二、算法原理1.在当前帧，计算候选目标的特征2.计算候选目标与初始目标的相似度3.计算权值4.利用MeanShift算法，计算目标新位置在这里插入图片描述5.若新目标中心需位于原目标中心附近，则停止，否则转步骤2三、思路流程截取跟踪目标矩阵rect；
求取跟踪目标的加权直方图hist1；
读取视频序列中的一帧，先随机取一块与rect等大的矩形，计算加权直方图hist2；
计算两者比重函数，如果后者差距过大，更新新的矩阵中心Y，进行迭代（MeanShift是一种变步长可以迅速接近概率密度峰值的方法），直至一定条件（移动步长平方和大于0.5或超过20次迭代）后停止。
2023/8/2 9:24:56
187.81MB
1
实现了FCFS及RR调度算法；
随机生成进程到达时间、IO请求时间、IO操作时间；
能输出进程平均等待时间及平均周转时间；
完整的vs2010工程；
注释得当；
字符形式表示进程调度过程；
请尊重原创，如有问题，欢迎大家与我探讨。
随机生成进程到达时间、IO请求时间、IO操作时间；
能输出进程平均等待时间及平均周转时间；
完整的vs2010工程；
注释得当；
字符形式表示进程调度过程；
请尊重原创，如有问题，欢迎大家与我探讨。
2023/8/2 3:30:10
14.87MB
1
RSA算法和实现C/C++源码，随机产生大素数，计算公钥私钥，计算逆元，加密解密。
2023/8/1 5:53:06
12KB
1
采用激光诱导击穿光谱（LIBS）技术结合偏最小二乘判别分析（PLS-DA）对新疆、青海和俄罗斯的白色软玉进行产地研究。
选取产自新疆（和田、于田、且末）、青海（格尔木）、俄罗斯（贝加尔湖）的146个白色软玉样品作为样品集，从样品集中随机抽取111个样品作为校正集，用于建立PLS-DA识别模型，剩余35个样品作为验证集，用于检验PLS-DA识别模型的预测效果。
采用LIBS对三个产地的软玉样品进行成分分析，选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素，并选取589.995，766.490，396.152，670.793，313.042，257.610，407.771，389.138，455.403，437.493，401.239nm处的谱线作为目标元素的分析谱线，选取Si元素作为内标元素，以其在288.158nm处的谱线作为内标元素分析谱线，分别计算各目标元素与内标元素的谱线强度的比值Rx，由Rx组成自变量矩阵，用于模型的建立与预测。
实验结果表明，采用LIBS结合PLS-DA建立的产地识别模型，其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9
选取产自新疆（和田、于田、且末）、青海（格尔木）、俄罗斯（贝加尔湖）的146个白色软玉样品作为样品集，从样品集中随机抽取111个样品作为校正集，用于建立PLS-DA识别模型，剩余35个样品作为验证集，用于检验PLS-DA识别模型的预测效果。
采用LIBS对三个产地的软玉样品进行成分分析，选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素，并选取589.995，766.490，396.152，670.793，313.042，257.610，407.771，389.138，455.403，437.493，401.239nm处的谱线作为目标元素的分析谱线，选取Si元素作为内标元素，以其在288.158nm处的谱线作为内标元素分析谱线，分别计算各目标元素与内标元素的谱线强度的比值Rx，由Rx组成自变量矩阵，用于模型的建立与预测。
实验结果表明，采用LIBS结合PLS-DA建立的产地识别模型，其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9
2023/7/27 20:56:48
5.55MB
1
LSB(LSB:leastsignificantbits):将信息嵌入到随机选择的图像点中最不重要的像素位上，这可保证嵌入的隐写信息是不可见的。
优点：操作简单，实现容易，隐藏信息量相对比较大。
缺点：由于使用了图像不重要的像素位，算法的鲁棒性差，隐写信息很容易为滤波、图像量化、几何变形的操作破坏。
优点：操作简单，实现容易，隐藏信息量相对比较大。
缺点：由于使用了图像不重要的像素位，算法的鲁棒性差，隐写信息很容易为滤波、图像量化、几何变形的操作破坏。
2023/7/27 14:15:36
1.14MB
1
SVM分类器的相关算法和matlab源码,部分内容如下，1.命令函数部分：clear;%清屏clc;X=load('data.txt');n=length(X);%总样本数量y=X(:,4);%类别标志X=X(:,1:3);TOL=0.0001;%精度要求C=1;%参数，对损失函数的权重b=0;%初始设置截距bWold=0;%未更新a时的W(a)Wnew=0;%更新a后的W(a)fori=1:50%设置类别标志为1或者-1y(i)=-1;enda=zeros(n,1);%参数afori=1:n%随机初始化a,a属于[0,C]a(i)=0.2;end
2023/7/27 4:33:18
7KB
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