在相移干涉测量中,为了在较短时间内实现较高的精度,提出了一系列基于快速最小二乘法的两步随机相移算法。
以双滤波和差归一化算法、单滤波和差归一化算法和格兰-施密特正交化算法计算出来的相位作为迭代初始值,利用没有滤波的两幅相移干涉图进行最小二乘法运算以获取最终的相位,为了节省时间,只选取有限数量的像素来参与迭代运算。
通过比较发现,基于单滤波和差归一化算法和快速最小二乘法的两步相移算法的综合性能最好,该算法在较短时间内能获得较高的准确度。

毕业设计和课程设计全套资料，主程序代码clc;clearall;closeall;warningoffall;I=imread('images\\1.jpg');I1=Image_Normalize(I,0);%图像归一化hsize=[33];sigma=0.5;I2=Image_Smooth(I1,hsize,sigma,0);I3=Gray_Convert(I2,0);bw2=Image_Binary(I3,0);%二值化处理[~,~,xy_long]=Hough_Process(bw2,I1,0);%霍夫变换angle=Compute_Angle(xy_long);%计算角度[I4,bw3]=Image_Rotate(I1,bw2,angle*1.8,0);%图像旋转[bw4,Loc1]=Morph_Process(bw3,0);%形态处理[Len,XYn,xy_long]=Hough_Process(bw4,I4,0);[bw5,bw6]=Region_Segmation(XYn,bw4,I4,0);[stats1,stats2,Line]=Location_Label(bw5,bw6,I4,XYn,Loc1,1);[Dom,Aom,Answer,Bn]=Analysis(stats1,stats2,Line,I4);

里面使用Keras搭建了了LSTM模型进行股价预测，详细介绍了模型的搭建、调试、评估等过程，在数据处理上包含了滑窗、归一化等步骤，是一份非常详细的代码。

利用lssvm对时间序列进行预测，代码已调试完毕，附件有部分数据，可根据自己情况另则数据。
代码分为几个模块，包括读入数据、数据归一化、模型初始化、交叉验证、模型训练、回归预测及数据反归一化等，配有详细备注。

图像预处理MATLAB代码（包括图像去孔洞，尺寸归一化等）

识别0-9十个数字，BP神经网络数字识别源代码使用说明第一步：训练网络。
使用训练样本进行训练。
（此程序中也可以不训练，因为笔者已经将训练好的网络参数保存起来了，读者使用时可以直接识别）第二步：识别。
首先，打开图像（256色）；
再次，进行归一化处理，点击“一次性处理”；
最后，点击“R”或者使用菜单找到相应项来进行识别。
识别的结果显示在屏幕上，同时也输出到文件result.txt中。
该系统的识别率一般情况下为90%。
此外，也可以单独对打开的图片一步一步进行图像预处理工作，但要注意，每一步工作只能执行一遍，而且要按顺序执行。
具体步骤为：“256色位图转为灰度图”－“灰度图二值化”－“去噪”－“倾斜校正”－“分割”－“标准化尺寸”－“紧缩重排”。
注意，待识别的图片要与win.dat和whi.dat位于同一目录，这两文件保存训练后网络的权值参数。
具体使用请参照书中说明。

现代设备技术水平不断提高，生产率、自动化要求越来越高，相应地，故障也随之增加。
变压器作为电力系统中非常复杂而且非常重要的设备，其工作状态对电力系统、企事业单位生产及居民生活具有十分重要的影响。
如何提前对变压器故障进行预测和在故障发生后迅速判断故障原因是提高工作效率、减少经济损失的一个重要途径。
因此研究变压器故障诊断对保证系统安全、可靠、经济运行，提高经济效益具有重要意义。
本文针对传统故障诊断的若干弊病，提出了将神经网络用于变压器故障诊断系统。
传统的故障诊断方法大多是以领域专家和操作者的启发性经验知识为核心，知识获取困难、推理效率低下、自适应能力差，并且常见的诊断方法常常由于其单一性而存在一定的误差。
同时由于故障征兆和故障类型之间常常存在复杂的非线性关系，使得诊断系统的数学模型很难获取。
而人工神经网络以其分布式并行处理、自适应、自学习、联想记忆以及非线性映射等优点，为解决这一问题开辟了新途径。
鉴于此，在开发变压器故障诊断系统时，将神经网络作为故障分类器进行设计。
本文首先分析了故障诊断和神经网络的基本理论，并在此基础上提出了神经网络对于变压器故障诊断系统的适用性;文中将BP神经网络算法用计算机实现;并针对其本身存在的一些缺点提出了一系列改进措施，通过在修正权值的时候增加动量项，并且限制输入值范围来减小误差、提高系统的诊断正确率;在对输入数据进行归一化处理的时候，采取按类逐项归一化的方法，避免了输入数据出现0或者1而使训练进入平坦区。
这样可以大大提高系统的诊断效率和诊断正确率。
将变压器诊断中典型的油中气体分析法和神经网络方法相结合，采用Java语言开发出界面友好、性能优秀的变压器故障诊断系统;此外，文中还详细探讨了网络各结构参数的选择方法，并且就变压器这一实际诊断系统，分析了不同结构参数对系统误差的影响。
在文章的最后，总结了神经网络故障诊断系统的优秀性能以及它存在的不足，并且分析了未来神经网络用于故障诊断的前景和发展方向。
关键词故障诊断；
神经网；
BP算法；
变压器油中气体分析

COVID个人风险计算器根据您的年龄，性别，种族，症状，健康状况，行为等，计算个人患COVID的风险...风险=（（活动案例中社区的比例）（症状概率）（敏感性））/（归一化因子）请注意，可以从NYTimesCOVID-19github上检索“us-counties.csv”文件。
链接到这里对症状风险的计算是通过对没有COVID和具有COVID的患者的症状报告进行逻辑回归。
ALAMA发表的论文将健康风险纳入了我们的计算器。
链接到这里根据年龄如何影响您的死亡，进入重症监护病房和住院的机会的不同研究，使用指数分布将COVID年龄转换为死亡，重症监护病房和住院的可能性。
社区风险是使用从NYTimesCOVID-19github检索的us-counties.csv文件计算的。
文件每周更新一次。
贡献者团队马凯文-团队负责人/数据科学家TimothyGa

基于特征点的图像匹配方法的关键是准确快速地将可靠的特征点提取出来。
经典归一化互相关匹配法属于基于特征点匹配方法中的一种，归一化互相关匹配法具有操作简单，匹配精度高等优点，但其计算量庞大，难以满足实时跟踪的要求。
提出了一种基于序贯相似性检测的归一化互相关快速匹配方法，并对提出的改进方法进行实验验证。
实验表明，该方法可以准确快速的进行特征点匹配，减少了算法的计算时间，有效地减少了发生误匹配的概率。

学习遥感相关专业必不可少的代码资源，本GUI界面设计精美，包括相关系数法、归一化法和比值法三种变化检测方法

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。