利用tesseract_ocr实现对图片中汉字的识别，识别的准确率约为80%。

这是一个简易版的计算器，具体说明可浏览教学：https://blog.csdn.net/baidu_37611158/article/details/113624654(利用python和tkinter制作自定义功能的计算器)

本示例主要利用QPainter实现雷达图及余晖扫描效果，不依赖其他第三方库。
显示效果流畅、平滑，不卡顿，可以直接跨平台应用Windows、Android、iMac及iOS系统。

利用Matlab实现循环码的编码与译码里面有WORD文档说明编译码的实现方式

求解二维点扩散函数，使其更简单，更便于观察，利用matlab将其封装

这是利用ASP.NET和百度地图API开发的校园地图，也是自己的webgis课程设计。
实现的功能有：1.利用ASP.NET实现用户的登录与注册，并将用户的用户名及密码用Sqlserver数据库存储起来。
2.此校园地图可以实现根据输入地图名查询地图，输入框输入关键字可以自动联想相关地址，鼠标滚轮或者右键地图视图实现地图的缩放，普通影像与卫星影像的互换，对工具条或比例尺的添加或删除，打开全景图等功能。

本代码利用meanshift的方法进行图像分割和边缘检测。
代码1在m.main里可以直接运行（图片已经存放在相应目录下），代码2注意一下图片文件路径即可。
代码1是利用rgb三个维度进行meanshift分割，代码2利用luv三个维度进行分割。
代码比较容易理解，希望大家能够enjoyit。

设计了一种应用于KrF准分子激光波面整形的二元光学元件(BOE),实现了将波面整形变换为巴特沃斯(Butternorth)分布。
采用盖师贝格-撒克斯通(Gerchberg-Saxton,GS)算法实现优化设计,使用MATLAB软件模拟入射和出射光场。
通过对比迭代次数分别为10、100和1000次的模拟结果,研究盖师贝格-撒克斯通算法中迭代次数对整形效果的影响。
模拟出迭代次数为106次的整形结果,并且得到二元光学元件的相位分布。
模拟结果表明,出射光场呈巴特沃斯分布,实现了波面整形,矩形光斑能量占总能量的75.62%,能量的利用率较高,其均匀性的均方根(RMS)误差为0.1394%。

提出了一种新颖的SPWM技术,它具有与VSV-PWM同样高的直流电压利用率,又消除了传统谐波注入法的缺陷,且开关次数最少,是一种简而优的SPWM方法

Matlab功率谱估计的详尽分析——绝对原创功率谱估计是信息学科中的研究热点,在过去的30多年里取得了飞速的发展。
现代谱估计主要是针对经典谱估计(周期图和自相关法)的分辨率低和方差性能不好的问题而提出的。
其内容极其丰富,涉及的学科和领域也相当广泛,按是否有参数大致可分为参数模型估计和非参数模型估计,前者有AR模型、MA模型、ARMA模型、PRONY指数模型等;后者有最小方差方法、多分量的MUSIC方法等。
ARMA谱估计叫做自回归移动平均谱估计,它是一种模型化方法。
由于具有广泛的代表性和实用性,ARMA谱估计在近十几年是现代谱估计中最活跃和最重要的研究方向之一。
二：AR参数估计及其SVD—TLS算法。
谱分析方法要求ARMA模型的阶数和参数以及噪声的方差已知.然而这类要求在实际中是不可能提供的,即除了一组样本值x(1),x(2),…,x(T)以供利用(有时会有一定的先验知识)外,再没有其它可用的数据.因此必须估计有关的阶数和参数,以便获得谱密度的估计.在ARMA定阶和参数之估计中,近年来提出了一些新算法，如本文介绍的SVD—TLS算法便是其中之一。
三：实验结果分析和展望1，样本数多少对估计误差的影响。
（A=[1,0.8,-0.68,-0.46]）图1上部分为N=1000；
下部分为取相同数据的前N=50个数据产生的结果。
图1N数不同：子图一N=1000,子图二N=200，子图三N=50由图可知，样本数在的多少，在对功率谱估计的效果上有巨大的作用，特别在功率谱密度函数变化剧烈的地方，必须有足够多的数据才能完整的还原原始功率谱密度函数。
2，阶数大小对估计误差的影响。
A=[1,-0.9,0.76]A=[1,-0.9,0.76,-0.776]图二阶数为二阶和三阶功率密度函数图A=[1,-0.9,0.86,-0.96,0.7]A=[1,-0.9,0.86,-0.96,0.7,-0.74]图三阶数为三阶和四阶功率密度函数图如图所示，阶数相差不是很大时，并不能对结果产生较大的影响。
但是阶数太低，如图二中二阶反而不能很好的估计出原始值。
3，样本点分布对估计误差对于相同的A=[1,-0.9,0.86,-0.96,0.7]；
样本的不同，在估计时的误差是不可避免的。
因此，我们在取得样本时，应该尽可能的减少不必要的误差。
图四：不同的样本得到不同的估计值4，奇异值的阈值判定范围不同对结果的影响。
上图是取奇异值的阈值大于等于0.02，而下图是取阈值大于等于0.06，显然在同种数据下，阈值的选取和最终结果有密切关系。
由于系数矩阵和其真实值的逼近的精确度取决于被置零的那些奇异值的平方和。
所以选取太小，导致阶数增大，选取太大会淘汰掉真实的系数。
根据经验值，一般取0.05左右为最佳。

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。