在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。
介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。
比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。
采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。
在实验中采用了3幅遥感图像，实验过程中比较了各个图像运用高斯混合模型和高斯-瑞利混合模型的分割和拟合结果，分别通过数据和分割结果体现了该分割方法的效果。
2024/9/16 15:29:46
5.33MB
1
水产行业不管是在内地还是在沿海一代都是我国发展的重点对象，本身水产养殖对于水中的各项参数指标就要求很严格，再加上水里所含物质的监测本身比较困难，所以现阶段的淡水鱼养殖对养殖监控系统的要求时越来越高。
水产养殖一般水质测溶解氧、盐度、CO2、氨氮等数据。
在高密度循环水养殖系统里，溶解氧可谓是最最要命的指标。
短时间内溶氧就可以过山车似的从高溶氧掉到致命的低浓度，除了溶氧还没有哪一个水质参数可以短时间内把鱼搞死的。
因此，连续的不间断的溶氧监测非常关键，除此之外，最好有紧急增氧设备以及应急备用电源，以确保各种情况下都可以应付的来。
盐度很重要，一般的渔场水体盐度都是恒定的。
当然某些渔场在育苗和养殖时的盐度会有所不同，盐度的测定就显必要了。
其次是光学盐度计，这个真心准确，用的时候像海盗船长一样，碉堡了，就是用之前需要校对一下，还有注意温度变化；
再有就是电导率探头，这个不用说，是最准的，直接读数。
水产养殖一般监测温度、PH、溶解氧、透明度这4个指标。
鱼池水质管理，直接影响养鱼效益。
衡量鱼池水质好坏的指标主要有：池水温度、酸碱度（PH值）、溶氧值和透明度。
现将其测试技术简介如下：
水产养殖一般水质测溶解氧、盐度、CO2、氨氮等数据。
在高密度循环水养殖系统里，溶解氧可谓是最最要命的指标。
短时间内溶氧就可以过山车似的从高溶氧掉到致命的低浓度，除了溶氧还没有哪一个水质参数可以短时间内把鱼搞死的。
因此，连续的不间断的溶氧监测非常关键，除此之外，最好有紧急增氧设备以及应急备用电源，以确保各种情况下都可以应付的来。
盐度很重要，一般的渔场水体盐度都是恒定的。
当然某些渔场在育苗和养殖时的盐度会有所不同，盐度的测定就显必要了。
其次是光学盐度计，这个真心准确，用的时候像海盗船长一样，碉堡了，就是用之前需要校对一下，还有注意温度变化；
再有就是电导率探头，这个不用说，是最准的，直接读数。
水产养殖一般监测温度、PH、溶解氧、透明度这4个指标。
鱼池水质管理，直接影响养鱼效益。
衡量鱼池水质好坏的指标主要有：池水温度、酸碱度（PH值）、溶氧值和透明度。
现将其测试技术简介如下：
2024/9/16 10:09:20
103KB
1
比较简单的版本的非常实用的，简单地输入客户资料，服务到期时候提醒。
有新版本出来了，是商业版本的,可以看他的描述http://www.pifasoft.cn/archives/1746
有新版本出来了，是商业版本的,可以看他的描述http://www.pifasoft.cn/archives/1746
2024/9/16 0:29:37
86KB
1
编写一个Matlab程序，实现基于DCT的图像变换编码。
编码过程：将原始图像划分成8×8的图像块，采用离散余弦变换（DCT）对图像块进行变换。
解码过程：对于每个图像块，使用一定比例的最低频DCT系数（被舍弃的高频DCT系数设为0）做逆离散余弦变换（IDCT），得到重构的图像块。
最后，将所有重构的图像块按顺序拼接成完整的解码图像。
分别取32、16、8个最低频DCT系数（如图1所示）进行反变换得到重构的图像，比较图像的质量，计算这三种情况下的峰值信噪比。
峰值信噪比的计算公式：PSNR=10log10(2552/MSE)其中，MSE（MeanSquaredError）指原始图像和重构图像之间的均方误差。
编码过程：将原始图像划分成8×8的图像块，采用离散余弦变换（DCT）对图像块进行变换。
解码过程：对于每个图像块，使用一定比例的最低频DCT系数（被舍弃的高频DCT系数设为0）做逆离散余弦变换（IDCT），得到重构的图像块。
最后，将所有重构的图像块按顺序拼接成完整的解码图像。
分别取32、16、8个最低频DCT系数（如图1所示）进行反变换得到重构的图像，比较图像的质量，计算这三种情况下的峰值信噪比。
峰值信噪比的计算公式：PSNR=10log10(2552/MSE)其中，MSE（MeanSquaredError）指原始图像和重构图像之间的均方误差。
2024/9/16 0:17:38
2KB
1
采用基于工序编码的交叉算子，对传统车间调度问题使用遗传算法求解。
并采用基准的实例进行验证，例如FT6或者MT6等。
注释比较全面，代码可读性好。
并采用基准的实例进行验证，例如FT6或者MT6等。
注释比较全面，代码可读性好。
2024/9/16 0:26:37
97KB
1
《JAVA开发实战经典》书中内容比较基础，但是讲的比较干练清晰，值得推荐的一本书，完整的目录和书签，并带各个章节的源码。
2024/9/15 15:40:38
56.36MB
1
大智慧8.x除权数据读取，支持导入到通达信自定义的版块中。
通达信的除权数据是加密的，看别人有人解出来了。
我搞不定，但大智慧的数据比较好读取，下载了365发现除权数据和以前已经不一样了，网上基本都没用了，重新分析了下，可以读取大智慧365除权数据（8.x）
通达信的除权数据是加密的，看别人有人解出来了。
我搞不定，但大智慧的数据比较好读取，下载了365发现除权数据和以前已经不一样了，网上基本都没用了，重新分析了下，可以读取大智慧365除权数据（8.x）
2024/9/15 13:20:14
942KB
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