复制到pgsql-12/lib目录下就可以了然后修改postgresql.confshared_preload_libraries='timescaledb,pg_stat_statements' #(changerequiresrestart)pg_stat_statements.max=10000pg_stat_statements.track=all最后重启postgrelSQL

matlab2018a整包共三个完整文件Matlab2018aLinux64Crack.tar.gz2.1MB,R2018a_glnxa64_dvd1.iso7.5G,R2018a_glnxa64_dvd2.iso5.1G,总大小超过10G，为方便下载，在linux下采用spilt进行了分割，分撒发到csdn进行保存，共计1改23份，2改16分，track未改。
供自己备份以及有需要的下载使用，现在分值过多换成免费的还行。
恢复时采用cat即可,spiltcat请自行百度

从一级到七级叶子类目。
CREATETABLE`dim_itemcat`(`cat_id`BIGINT(20)NULLDEFAULTNULLCOMMENT'类目ID',`name`VARCHAR(50)NULLDEFAULTNULLCOMMENT'类目名称',`parent_cid`BIGINT(20)NULLDEFAULTNULLCOMMENT'父类目ID',`is_parent`VARCHAR(10)NULLDEFAULTNULLCOMMENT'是否为父类目',`level`INT(1)NULLDEFAULTNULLCOMMENT'层级',`related`INT(1)NULLDEFAULTNULL,`is_track`INT(1)NULLDEFAULTNULL,UNIQUEINDEX`cid_unique`(`cat_id`)USINGBTREE,INDEX`cid`(`cat_id`)USINGBTREE,INDEX`level`(`level`)USINGBTREE,INDEX`name`(`name`),INDEX`is_track`(`is_track`))COMMENT='行业类目维度表：二列各式'COLLATE='utf8_general_ci'ENGINE=InnoDB;

敏捷目的跟踪试验含源码m文件演示图片试验报告-基于MATLAB平台的敏捷目的跟踪法度圭表标准.rar-untitled2.fig基于MATLAB平台的敏捷目的跟踪法度圭表标准试验报告搜罗:1.算法描摹2.滤波初始化3.仿真阐发4.源法度圭表标准5.演示图片m文件源码:functionmain()[email=%%@project]%%@project[/email]:翱翔器跟踪模拟[email=%@author:fantasy]%@author:fantasy[/email][email=%@date:2006.5.10]%@date:2006.5.10[/email][email=%@descripition]%@descripition[/email]:主函数%暴发视察数据total=3*60;%总的功夫长度globalT;%采样周期T=1;N=total/T;%数据长度a=20;var_rx=400;var_ry=400;X=[];%视察数据X_ideal=[];%梦想数据fori=1:N  [rx,ry]=track(i*T,a);  X_ideal=[X_ideal,[rx;ry]];.,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,演示图片如Untitled1/2/3.fig

JPDA航迹关联算法，将两个匀速活动模型点迹与航迹进行关联

matlab2018a整包共三个完整文件Matlab2018aLinux64Crack.tar.gz2.1MB,R2018a_glnxa64_dvd1.iso7.5G,R2018a_glnxa64_dvd2.iso5.1G,总大小超过10G，为方便下载，在linux下采用spilt进行了分割，分撒发到csdn进行保存，共计1改23份，2改16分，track未改。
供本人备份以及有需要的下载使用，现在分值过多换成免费的还行。
恢复时采用cat即可,spiltcat请自行百度

matlab2018a整包共三个完整文件Matlab2018aLinux64Crack.tar.gz2.1MB,R2018a_glnxa64_dvd1.iso7.5G,R2018a_glnxa64_dvd2.iso5.1G,总大小超过10G，为方便下载，在linux下采用spilt进行了分割，分撒发到csdn进行保存，共计1改23份，2改16分，track未改。
供本人备份以及有需要的下载使用，现在分值过多换成免费的还行。
恢复时采用cat即可,spiltcat请自行百度

该项目是通过引导的。
可用脚本在项目目录中，可以运行：npmstart在开发模式下运行该应用程序。
打开在浏览器中查看它。
如果您进行编辑，则页面将重新加载。
您还将在控制台中看到任何棉绒错误。
npmtest在交互式监视模式下启动测试运行器。
有关更多信息，请参见关于的部分。
npmrunbuild构建生产到应用程序build文件夹。
它在生产模式下正确捆绑了React，并优化了构建以获得最佳功能。
生成被最小化，并且文件名包括哈希值。
您的应用已准备好进行部署！有关更多信息，请参见关于的部分。
npmruneject注意：这是单向操作。
eject，您将无法返回！如果您对构建工具和配置选择不满意，则可以随时eject。
此命令将从您的项目中删除单个生成依赖项。
而是将所有配置文件和传递依赖项（webpack，Babel，ESLint等）

1、demo文件夹：YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。
2、road1_demo文件夹：YOLOv4+DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。
3、road2_demo文件夹：YOLOv4+DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量29辆，算法统计车流量29辆。
只需视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。
4、road1_tracking.mp4、road2_tracking.mp4：由目标跟踪处理结果合成的视频流。
***********************************************************************************************1、deepsort文件夹：含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。
2、ReID文件夹：含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。
3、YOLOv4文件夹：含目标检测算法源码，model_data存储yolov4网络配置、nets+utils用于搭建模型。
decode.py用于将检测结果解码。
4、car_predict.py、yolo.py：用于验证目标检测算法的效果。
5、main.py：整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。

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。