为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（RadicalBasisFunction，RBF）和神经网络光伏发电功率预测模型。
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法

ICA的著名应用是盲源分离，于是这里就以盲源分离为例子进行说明。
假设n个人面前有n个话筒，然后这n个人说话时这n个话筒进行录音，这n个人说了m句话，最后从这n个话筒中收集一些录音，目标：从这些录音中分离出每个人的声音对于ICA的模型：x=A·s假设x是个m*n的矩阵，A是个m*k的矩阵，那s就需要是个k*n的矩阵，于是ICA就是把x分解成2个矩阵的乘积，这两个矩阵就是求出来的源信号。

叫你如何使用python到如何使用numpy数组以及如何画图等用途，最后叫你如何使用sklearn框架调用机器学习方法

通过C++用GDAL来读取高分1号影像，影像类型为unsignedshort,只需安装GDAL库就可以实现读取影像，然后对影像进行LBP算法，最后输出到影像。
格式为.tif。
实现LBP算法（源代码）

自定义控件-重绘控件-TabControl，完整源码。
最后封装DLL，绝无BUG

人机交互实验报告以及最后大实验.适合大三类似课程期末考试

前段时间在下手机电子书，碰到几个工具将chm电子书转换为txt的（因为是免费的所以需要几步做），最后一步时将几个分割开的文件合并为一个，用的时候觉得不爽，就自己写了一个。

本文主要讨论ApacheSpark的设计与实现，重点关注其设计思想、运行原理、实现架构及性能调优，附带讨论与HadoopMapReduce在设计与实现上的区别。
不喜欢将该文档称之为“源码分析”，因为本文的主要目的不是去解读实现代码，而是尽量有逻辑地，从设计与实现原理的角度，来理解job从产生到执行完成的整个过程，进而去理解整个系统。
讨论系统的设计与实现有很多方法，本文选择问题驱动的方式，一开始引入问题，然后分问题逐步深入。
从一个典型的job例子入手，逐渐讨论job生成及执行过程中所需要的系统功能支持，然后有选择地深入讨论一些功能模块的设计原理与实现方式。
也许这样的方式比一开始就分模块讨论更有主线。
本文档面向的是希望对Spark设计与实现机制，以及大数据分布式处理框架深入了解的Geeks。
因为Spark社区很活跃，更新速度很快，本文档也会尽量保持同步，文档号的命名与Spark版本一致，只是多了一位，最后一位表示文档的版本号。
由于技术水平、实验条件、经验等限制，当前只讨论Sparkcorestandalone版本中的核心功能，而不是全部功能。
诚邀各位小伙伴们加入进来，丰富和完善文档。
好久没有写这么完整的文档了，上次写还是三年前在学Ng的ML课程的时候，当年好有激情啊。
这次的撰写花了20+days，从暑假写到现在，大部分时间花在debug、画图和琢磨怎么写上，希望文档能对大家和自己都有所帮助。
内容本文档首先讨论job如何生成，然后讨论怎么执行，最后讨论系统相关的功能特性。
具体内容如下：Overview总体介绍Joblogicalplan介绍job的逻辑执行图（数据依赖图）Jobphysicalplan介绍job的物理执行图Shuffledetails介绍shuffle过程Architecture介绍系统模块如何协调完成整个job的执行CacheandCheckpoint介绍cache和checkpoint功能Broadcast介绍broadcast功能JobScheduling

隐马尔可夫模型(HMM)已成为语音识别中的主流技术，首先介绍了语音识别技术的原理和结构，然后介绍了HMM的三个基本问题及其解决方法，最后利用Maflab仿真工具设计了一个孤立词的语音识别系统，实现了数字0—9的识别

 针对帧差分法易产生空洞以及背景减法不能检测出与背景灰度接近的目标的问题，提出了一种将背景减和帧差法相结合的运动目标检测算法。
首先利用连续两帧图像进行背景减法得到两种差分图像，并用最大类间与类内方差比法得到合适的阈值将这两种差分图像二值化，然后将得到的两种二值化图像进行或运算，最后利用图像形态学滤波得到准确的运动目标。
实验结果表明，该算法简单、易实现、实时性强。

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。