ACCP全部电子版教材（S1-Y2）下载地址。
ACCP全部电子版教材（S1-Y2）下载地址有了这个电子版的教材可以省去ACCP很贵的教材费用了，3期加起来的教材费用〉1500元ACCPaccp电子版教材下载S1-Y2全部教材

递推极大似然参数辨识法MATLAB程序clearall%清理工作间变量closeall%关闭所有图形clc%清屏%%%%M序列、噪声信号产生%%%%L=1200;%四位移位积存器产生的M序列的周期y1=1;y2=1;y3=1;y4=0;%四个移位积存器的输出初始值fori=1:L;x1=xor(y3,y4);%第一个移位积存器的输入信号x2=y1;%第二个移位积存器的输入信号x3=y2;%第三个移位积存器的输入信号x4=y3;%第四个移位积存器的输入信号y(i)=y4;%第四个移位积存器的输出信号，幅值"0"和"1"ify(i)＞0.5,u(i)=-1;%M序列的值为"1"时,辨识的输入信号取“-1”elseu(i)=1;%M序列的值为"0"时,辨识的输入信号取“1”endy1=x1;y2=x2;y3=x3;y4=x4;%为下一次的输入信号作准备end------

第6章解决“实用C编程”第6章中的练习练习6-1：编写一个程序来查找两个之间的距离的平方点。
（对于更高级的问题，请找到实际距离。
此问题涉及使用标准功能sqrt。
请使用您的帮助系统来查找有关如何使用此功能的更多信息。
）#include#include<math.h>intmain(){ floatx1,y1,x2,y2,gdistance; printf("Inputx1:"); scanf("%f",&x1); printf("Inputy1:"); scanf("%f",&y1);printf("Inputx2:"); scanf("%f",&x2); printf("Inputy2:");

运用杂化密度泛函方法(DFT)B3LYP，在LANL2DZ赝势基组水平上对Yn(n=2~10)团簇的多种可能初始构型进行了结构优化和频率及光谱分析，根据能量最低原则确认了Yn(n=2~10)团簇没有虚频的基态结构，且计算得到的结构比以往理论计算得到的结构能量更低，Y2振动频率ωe=188.9cm-1比以往计算值更接近实验值184.4cm-1，在此基础上研究了团簇的稳定性和极化率，并分析了Yn(n=2~10)团簇的光谱性能。
结果表明，Y7为所研究团簇结构转折点，团簇的电子稳定性随着原子数增加而逐渐减弱。
振动光谱分析表明，Yn(n=2~10)团簇中具有较高对称性的C2v和Cs点群具有更多的振动模式，而稳定性较强的Y7和Y9在所研究频段内分别有较好的红外和拉曼活性，有明显的共振现象。

北大青鸟Y2考试题(笔试机试)

1.读入墨迹天气数据集，切片提取X和Y2.按照6:4划分数据集，进行训练和预测

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

Description问题描述：在一个按照东西和南北方向划分成规整街区的城市里，n个居民点散乱地分布在不同的街区中。
用x坐标表示东西向，用y坐标表示南北向。
各居民点的位置可以由坐标(x,y)表示。
街区中任意2点(x1,y1)和(x2,y2)之间的距离可以用数值|x1-x2|+|y1-y2|度量。
居民们希望在城市中选择建立邮局的最佳位置，使n个居民点到邮局的距离总和最小。
编程任务：给定n个居民点的位置,编程计算n个居民点到邮局的距离总和的最小值。
Input输入由多组测试数据组成。
每组测试数据输入的第1行是居民点数n，1≤n≤10000。
接下来n行是居民点的位置，每行2个整数x和y，-10000≤x，y≤10000。
Output对应每组输入，输出的第1行中的数是n个居民点到邮局的距离总和的最小值。
SampleInput51222133-233SampleOutput10

等高线追踪基于TIN绘制等高线直接利用原始观测数据，避免了DTM内插的精度损失，因而等高线精度较高；
对高程注记点附近的较短封闭等高线也能绘制；
绘制的等高线分布在采样区域内而并不要求采样区域有规则四边形边界。
而同一高程的等高线只穿过一个三角形最多一次，因而程序设计也较简单。
但是，由于TIN的存贮结构不同，等高线的具体跟踪算法跟踪也有所不同。
基于三角形搜索的等高线绘制算法如下：对于记录了三角形表的TIN，按记录的三角形顺序搜索。
其基本过程如下：1）对给定的等高线高程h，与所有网点高程zi（i=1,2,?，n），进行比较，若zi=h，则将zi加上（或减）一个微小正数ε＞0（如ε=10-4），以使程序设计简单而又不影响等高线的精度。
2）设立三角形标志数组，其初始值为零，每一元素与一个三角形对应，凡处理过的三角形将标志置为1，以后不再处理，直至等高线高程改变。
3）按顺序判断每一个三角形的三边中的两条边是否有等高线穿过。
若三角形一边的两端点为P1（x1，y1，z1），P2（x2，y2，z2）则(z1-h)(z2-h)0表明该边无等高线点。
直至搜索到等高线与网边的第一个交点，称该点为搜索起点，也是当前三角形的等高线进入边、线性内插该点的平面坐标（x，y）：

北大青鸟Y2的SSM易买网项目，使用Eclipse完成，三层架构

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。