vs2010制作，内附代码，实现一元稀疏多项式按指数排序，加减乘，求导，赋值，mfc制作有界面，静态库可在无vc的机器上运行。

一．问题描述对2006年度全国80多个城市的每天空气质量状况进行查询、排序等操作。
空气质量状况对象包括城市代码、城市名称、首要污染物、污染指数、污染物级别、空气状况、年、月、日二、实验要求1．普通查询：输入城市名称和城市代码，分别查询该城市每天、每周、每月、每季度和全年的空气质量状况例子：查询太原市2006年第8周的空气质量状况2．统计查询：（1）输入城市名称和城市代码，分别查询该城市每周、每月、每季度和全年的空气质量为优、良、轻微污染、轻度污染、重污染的天数例子：查询石家庄市2006年第2季度空气质量为轻微污染的总天数（2）根据时间查询空气质量状况：输入周编号、月编号、季度编号或年编号，以及空气质量为优、良、轻微污染、轻度污染、重污染的天数，查找相应的城市名称例子：查询2006年5月，空气被轻度污染3天以上的城市有哪些？3．排序查询（1）输入周编号、月编号、季度编号或年编号，查询城市空气质量的排行榜例子：查询2006年第6周，全国空气平均质量最好的前20个城市为哪些？

用指数低通滤波器进行图像增强Matlab代码

基本功能类似Windows计算器，增加了一些功能实现了二进制、八进制、十进制及十六进制数的加、减、乘、除、乘方、取模等简单计算包括(反)正弦、(反)余弦、(反)正切、(反)余切、开方、指数等函数运算具备历史计算的记忆功能对不正确的表达式能指出其错误原因

傅里叶分解方波信号，单边指数信号等展开为傅里叶级数……

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。

一类无界时滞细胞神经网络的全局指数稳定性

本文档为2016年本人参加全国大学生数学建模参赛最后提交文档（文档中最后附录包含matlab代码）摘要小区开放是当今热议的缓解小区周边道路交通堵塞的方法之一，本文在一定假设的前提下，通过建合适的评价体系和数学模型，进行计算机仿真，得到定量的数据结论，对比分析不同小区在进行小区开放后，对周边道路的通行影响。
针对问题一，通过文献查找，获取相关的道路通行评价指标，结合小区周边实际情况，运用BP神经网络，得到一套合适的评价体系（道路交通运行指数，道路交通拥堵率，平均行程速度，平均延误时间）。
针对问题二，使用元胞自动机和网格化图，建立与现实情况相符合的静态建筑物道路参数和动态车辆通行模型，并考虑司机是否具有获得前方道路信息的能力，分别建立基于排队论思想和基于道路阻抗系数的路径选择策略模型。
针对问题三，将不同的小区类型进行合理抽象，得到基本典型结构。
结合由问题二得到的模型进行建模仿真，将得到的结果按照问题一得到的评价体系进行评价，并进行可视化和数据分析得到小区开放在一定程度上可以缓解小区周边道路交通压力。
针对问题四，根据问题三得到的结论，通过控制变量法对比各个条件下车流通行的情况，得出有利条件与不利条件。
提出合理的建议，并以简单书信形式表述。
关键词：小区开放、BP神经网络、元胞自动机、动态建模

人口指Malthus数增长模型和Logistic模型，美国人口做例子方便理解，还附带代码

FLUENT中，利用UDF定义速度入口边界条件，大气边界层，指数风

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。