利用C语言编写的程序，可以对复杂弹道进行结算，精度较高，计算时间较短。
值得参考

ADS1115是TI公司的16位精度AD转换器，此压缩包内是基于STM32F103的ADS1115驱动，使用模拟IIC通讯，已在STM32F103RCT6平台上验证可用。

为了收集数据进行监控和分析，请构建一个能持续创建并维护计数器的工具，该工具可以任意添加和删除计算器，每个计数器可以针对不同的指标数据，并可以以不同时间精度存储最新的120个数据样本，请实现如下功能：1.记录、获取和清理计数器数据。
2.对上述数据进行统计分析，记录最小值、最大值、平均值、标准差、样本数量及利用其它统计分析方法得到的统计数据。

GPS、BDS组合伪距单点定位，在VS2012下运行，可读取RINEX3混合文件数据，精度在十米左右

主要功能　　在使用的坐标中、常用的有北京54坐标系，西安80坐标系，各地方还有本地的坐标系。
日常的工作中经常需要对坐标进行转换。
针对大部分图形数据以AutoCAD制作保存的特点，需要由CAD图到CAD图的坐标转换。
本软件正是解决以此问题。
具有以下特点：1、运算速度快（万点/秒）.2、基于dxf文件各坐标点逐一严密转换，转换精度高（＜0.001m）.3、3DES加密控制点，有效保护控制点数据安全，方便再次分发软件使用.4、支持多坐标系。
5、绿色软件产品，无需安装直接运行。
说明：控制点坐标数目。
具体数目由您的控制点数目定。
如果大于400请与软件作者联系。
详见里面的说明文档

为了提高风电功率的预测精度，研究了一种基于粒子滤波（ＰＦ）与径向基函数（ＲＢＦ）神经网络相结合的风电功率预测方法。
使用ＰＦ算法对历史风速数据进行滤波处理，将处理后的风速数据结合风向、温度的历史数据，归一化后构成风电功率预测模型的新的输入数据；
利用处理后的新的输入数据和输出数据，建立ＰＦ－ＲＢＦ神经网络预测模型，预测风电场的输出功率。
仿真结果表明，使用该预测模型进行风电功率预测，预测精度有一定的提高，连续１２０ｈ功率预测的平均绝对百分误差达到８．０４％，均方根误差达到１０．６７％

内附pdf，弹道导弹突击已成为现代战争中实施远程精确打击的重要手段，具有速度快、威力大、打击精度高、突防能力强等特点。
防御方如何根据反导武器系统拦截能力和导弹进攻航路对拦截武器进行优化部署，是当前构建反导拦截体系、提升体系作战效能急需解决的关键问题。
基于预先堪选的阵地位置（具体坐标见附件3，坐标系选取同保卫目标），对2套I型反导武器系统的部署进行优化调整，在尽可能提升整体拦截能力的同时，使得保卫各个目标的能力相对均衡。
出于电磁兼容的考虑，相邻2套反导武器系统间距需大于5km。
请给出这2套I型反导武器系统优化调整部署后的位置坐标和雷达法线方向，以及相应的拦截能力，并将结果填入附件4，并同时在正文中给出，为提升反导体系的整体拦截能力，综合考虑高低两层武器系统的有机衔接，基于问题2中的I型反导武器系统部署，在预先堪选的阵地上补充部署4套II型

实习时给一个科学计算软件写的小模块，应为是科学计算和工业设计的要求精度高，就使用了统统使用了double类型。
程序的入口是double[]spline(point[]poits,doublexs[])point[]points是给定的插值样本点，double[]xs是要插值的点数组x的坐标。
返回值是插值结果的数组。
point是定义的类，有x,y两个坐标。
存储插值样本点。

1-ENVI基础知识2-影像预处理基础3-自定义坐标系4-MODIS几何校正5-地形图的几何校正6-几何校正(RapidEye几何校正)7-TM图像与SPOT图像配准8-TM图像校正（矢量上选点）9-图像融合10-图像镶嵌11-图像裁剪12-图像增强13-监督分类（样本选择）14-监督分类（分类）15-监督分类（分类后处理）16-监督分类（精度验证）17-非监督分类18-快速制图19-三维可视20-基于GLT的几何校正（风云三号气象卫星为例）21-正射校正22-正射校正（选择控制点QB校正）23-RapidEye正射校正24-构建RPC正射校正（BuildRPC）25-图像自动配准26-基于专家知识决策树分类27-决策树自动阈值分类28-面向对象图像分类(城市信息提取)29-面向对象耕地信息提取30-基于立体像对的DEM提取31-DEM分析与应用32-遥感动态监测33-林冠状态遥感变化监测34-森林砍伐监测35-耕地信息变化监测36-雷达图像基本处理37-高光谱基础38-传感器定标和大气校正39-快速大气校正40-波谱库浏览与建立41-植被识别42-矿物识别43-基于波谱沙漏工具的矿物识别44-植被指数计算和分析45-波段运算（bandmath）46-ENVI的二次开发47-IDL简介48-遥感与GIS一体化

构建CNNLayerBuilderbuilder=newLayerBuilder();builder.addLayer(Layer.buildInputLayer(newSize(28,28)));builder.addLayer(Layer.buildConvLayer(6,newSize(5,5)));builder.addLayer(Layer.buildSampLayer(newSize(2,2)));builder.addLayer(Layer.buildConvLayer(12,newSize(5,5)));builder.addLayer(Layer.buildSampLayer(newSize(2,2)));builder.addLayer(Layer.buildOutputLayer(10));CNNcnn=newCNN(builder,50);运行MNIST数据集StringfileName="data/train.format";Datasetdataset=Dataset.load(fileName,",",784);cnn.train(dataset,100);Datasettestset=Dataset.load("data/test.format",",",-1);cnn.predict(testset,"data/test.predict");计算精度可以达到97.8%。

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。