里面有就是多种数据处理工具，非常便利。
1.文本文件操作1.1征地部标准坐标导出...21.2征地部标准坐标导入...61.3线封闭...61.4点集转面...72.    数据转换...82.1       SHP转数据库...82.2       批量数据库转数据库...92.3       栅格彩色转黑白...93.    数据检查和数据信息获得...103.1       锐角检查...103.2       获得内角并判断是否凸多边形...113.3       获得线（面）两个折点方向...123.4       四至和范围获得...143.4.1获得数据的XY范围...143.4.2获得数据的经纬度范围...153.4.3四邻信息获得...153.4.4地块四至点获得...173.4.5地块四至点坐标获得...183.4.6获得相对四至(适合大比例小地块)193.4.7获得绝对四至（根据四至点坐标）...203.5       属性赋值...223.5.1比例分析...223.5.2加权平均...233.6       椭球面积计算...233.7       计算点到线的距离...243.8       道路河流依次经过的地方...244.    裁剪和合并...254.1       按属性裁剪...254.2       矢量数据批量裁剪...254.3       矢量数据批量合库...264.4       影像批量裁剪...274.5       影像批量合并...285.    MXD文档处理...295.1       MXD批量裁剪...295.2       MXD批量导出图片...305.3       mxd压缩和版本另存...315.4       mxd文档相对路径和无效数据检查...316.    制图...326.1       梯形接幅表的创建...326.2       矩形接幅表的创建...336.3       公里网或方里网制作...346.4       经纬网制作...356.5       色带制作...357.    拓扑错误处理...367.1       删除线面直线上的点...367.2       点不在线面上处理...377.3       线部分或完全重叠处理...387.4       删除完全重复的点线面处理...387.5       面线边界不重合...397.6       面缝隙处理...397.7       面重叠处理...407.8       删除线面上重复点...407.9       检查多部件要素...417.10         删除伪节点...428.    编号工具...428.1       整库更新BSM..428.2       更新BSM..438.3       字符串前补零...438.4       按图形自动编号...449.    数据处理...459.1       两个图层按重叠度赋属性...459.2       分区域消除...469.3       批量压缩数据库...479.4       批量修复几何(修复前一定备份数据)479.5       按长度分割线...489.6       线分割面保留属性...489.7       融合时字段连接...499.8       要素移动...5110.           业务相关...5110.1         上级行政区和下级行政区图形不一致处理...5110.2         修改面左上角点为第一个点...5210.3         修改面左上角点为第一个点根据点层...5310.4

通过加权组合基于序列的特征并增强多个SVM来预测蛋白质-DNA结合残基

c#反距离加权插值+临近点差值+双线性差值，用窗体程序实现，可以看到效果图片

用多重网格算法求解微分方程的matlab例子。
程序采用采取四层网格，微分方程的离散选用有限差分法，每层网格上的计算采用逐次超松弛迭代法(SOR迭代)；
由细网格限制到粗网格，采用完全加权限制算子

将用户评分和用户属性（性别、年龄等）加权混合推荐1、解压下载的CollaborativeFilteringBasedUserAndGener压缩文件2、操作系统中需装javajdk1.7或者以上版本3、点击start.bat，在运行过程中，会输出评分时间，然后输出用户id进行推荐，同时会输出平均绝对误差MAE4、数据集movielens

matlab实现影像融合，及精度评定。
加权融合、比值变换融合、乘积变换融合，评定方式有平均梯度、差分指数评定。
代码简洁有注释，运行速度30秒左右。

基于BBV的有向加权网络模型基于BBV的有向加权网络模型

适用于matlab的反距离加权插值法，权重控制在30以下！

线性光谱聚类（LSC）的超像素分割算法，该算法可以生成具有低计算成本的紧凑且均匀的超像素。
基本上，基于测量图像像素之间的颜色相似性和空间接近度的相似性度量，采用超像素分割的归一化切割公式。
然而，代替使用传统的基于特征的算法，我们使用核函数来近似相似性度量，导致将像素值和坐标明确映射到高维特征空间。
我们证明，通过适当地加权该特征空间中的每个点，加权K均值和归一化切割的目标函数共享相同的最佳点。
因此，通过在所提出的特征空间中迭代地应用简单的K均值聚类，可以优化归一化切割的成本函数。
LSC具有线性计算复杂性和高内存效率，并且能够保留图像的全局属性。
实验结果表明，LSC在图像分割中的几种常用评估度量方面表现出与现有技术的超像素分割算法相同或更好的性能。

本文实例为大家分享了用简单的神经网络来训练和测试的具体代码，供大家参考，具体内容如下刚开始学习tf时，我们从简单的地方开始。
卷积神经网络（CNN）是由简单的神经网络（NN）发展而来的，因此，我们的第一个例子，就从神经网络开始。
神经网络没有卷积功能，只有简单的三层：输入层，隐藏层和输出层。
数据从输入层输入，在隐藏层进行加权变换，最后在输出层进行输出。
输出的时候，我们可以使用softmax回归，输出属于每个类别的概率值。
借用极客学院的图表示如下：其中，x1,x2,x3为输入数据，经过运算后，得到三个数据属于某个类别的概率值y1,y2,y3.用简单的公式表示如下：在训练过程中，我们将

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。