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);

%用遗传算法进行简单函数的优化clearbn=22;%个体串长度inn=50;%初始种群大小gnmax=200;%最大代数pc=0.75;%交叉概率pm=0.05;%变异概率%产生初始种群s=round(rand(inn,bn));%计算适应度,返回适应度f和累积概率p[f,p]=objf(s);gn=1;whilegn＜gnmax+1forj=1:2:inn%选择操作seln=sel(s,p);%交叉操作scro=cro(s,seln,pc);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mut(scnew(j,:),pm);smnew(j+1,:)=mut(scnew(j+1,:),pm);ends=smnew;%产生了新的种群%计算新种群的适应度[f,p]=objf(s);%记录当前代最好和平均的适应度[fmax,nmax]=max(f);fmean=mean(f);ymax(gn)=fmax;ymean(gn)=fmean;%记录当前代的最佳个体x=n2to10(s(nmax,:));xx=-1.0+x*3/(power(2,bn)-1);xmax(gn)=xx;gn=gn+1endgn=gn-1;%绘制曲线subplot(2,1,1);plot(1:gn,[ymax;ymean]);title('历代适应度变化','fonts',10);legend('最大适应度','平均适应度');string1=['最终适应度',num2str(ymax(gn))];gtext(string1);subplot(2,1,2);plot(1:gn,xmax,'r-');legend('自变量');string2=['最终自变量',num2str(xmax(gn))];gtext(string2);

给出了mie散射最重要的四个系数an,bn,cn,dn的计算代码（MATLAB）

wireclr,clkp,btnall;wire[3:0]bn;wire[31:0]sw;assignsw='h55556666;assignbtnall=btn[0]|btn[1]|btn[2]|btn[3]|btn[4]|btn[5]|btn[6]|btn[7];assignbn[3]=btn[7];assignbn[2]=btn[3]|btn[4]|btn[5]|btn[6];assignbn[1]=btn[1]|btn[2]|btn[5]|btn[6];assignbn[0]=btn[0]|btn[2]|btn[4]|btn[6];clock_pulseU1(.inp(btnall),.cclk(mclk),.outp(clkp)

基于Tensorflow实现BN（BatchNormalization）的代码，供大家参考！！

Liang-Barsky剪线算法快速，破坏性实现。
它通过矩形裁剪2D线段。
这是对的改编，其简单性给我留下了深刻的印象。
API破坏性的vara=[-10,-10],b=[10,10];clip(a,b,[-5,-5,5,5]);//returns1-"clipped"console.log(a);//[-5,-5]console.log(b);//[5,5]无损vara=[-10,-10],b=[10,10];varan=a.slice(),bn=b.slice();clip(a,b,[-5,-5,5,5],an,bn);//returns1-"clipped"console.log(an);//[-5,-5]cons

设S=(x1,x2,…,xn)是有序集，且x1＜x2＜…＜xn，已知键值和区间的存取概率分布为(a0,b1,a1,b2,…,bn,an)，其中ai表示相应区间的搜索概率，bi表示相应键值的搜索概率。
在所有表示有序集的二叉树中找出一棵具有最小平均路长的二叉搜索树

具有正交结构（Pbca-BN，空间）的完全四面结合的氮化硼（BN）同素异形体组：Pbca）通过第一性原理计算进行了研究。
在这项工作中，我们调查了密度泛函理论研究Pbca-BN的结构，弹性，电子性质和弹性各向异性局部密度逼近框架中采用超软伪势方法的三维方法（LDA）和广义梯度近似（GGA）。
根据我们的计算，我们发现Pbca-BN的体积模量为344GPa，剪切模量为316GPa，大的德拜温度为1734K，较小的位置比率0.14和60.1GPa的硬度，从而使其成为具有以下特性的超硬材料：潜在的技术和工业应用。
我们的计算表明，Pbca-BN在机械上是稳定，是一个宽带隙为5.399eV的绝缘体。

此工具箱只支持Python2版本，在Python3下可以自行修改。
允许使用单纯Python言语构建贝叶斯网络。
包含构建离散的贝叶斯网以及高斯贝叶斯网，推理算法包含消息树以及MCMC采样等。
允许搭建因子图模式下的BN网，同时包括网络实例。
有不清楚的地方欢迎一起交流。

此工具箱只支持Python2版本，在Python3下可以自行修改。
允许使用单纯Python言语构建贝叶斯网络。
包含构建离散的贝叶斯网以及高斯贝叶斯网，推理算法包含消息树以及MCMC采样等。
允许搭建因子图模式下的BN网，同时包括网络实例。
有不清楚的地方欢迎一起交流。

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。