二维热传导方程求解

从Excel表格中读取数据;从数据中读取各年龄女性人口数、女性人口比例和存活率;总和生育率;计算Leslie人口预测模型中Leslie矩阵;预测每年的女性人口数量;转换成总人口数量;将结果写入Excel文件;画图。

该代码是自己通过学习遗传算法编写的小Demo

ndNote是一款用于海量文献管理和批量参考文献管理的工具软件，自问世起就成为科研界的必备武器。在前EndNote时代，文献复习阶段从各大数据库中搜集到的文献往往千头万绪、或重复或遗漏，难以管理，阅读所作的笔记则分散各处，难以高效地进行有机整合。到写论文时，大量的文献引用往往复杂异常，尤其修改时，牵一发而动全身。这些难题，EndNote可以凭一己之力，彻底解决。

我是研究图像去噪的，这是我这两年中收集到的一些资料和论文

本代码是基于STM32的机器人控制程序，内含舵机控制(辉盛MG995)、电机控制(LMD18200_2.2)、电子罗盘（HMC5883L)、超声波测距(HY-SRFO5)及串口通信五大模块，主程序为中国科大2012年Robotgame献花组比赛的完整程序，功能齐全，欢迎下载。与单片机串口通信的是基于PC的图像处理程序，代码见：http://user.qzone.qq.com/1435589631?ptlang=2052&ADUIN=1163353422&ADSESSION=1348660075&ADTAG=CLIENT.QQ.3307_FriendFolder_QuickMenu.0

多变量广义预测控制matlab程序 调试运行成功

压缩感知BP LASSO OMP STOMP算法（内含完整代码，包括DWT.m、fdrthresh.m|FWT_PO.m、SolveBP.m等M文件，有详细注释）

支持向量机SVM和核函数的matlab程序代码--完整,调试过的有效的程序

prescan、罗技方向盘、simulink联合自动驾驶DIL仿真教程。山≥凵的|8电题||m幽的歌舞囝弟DeleteVelocty I/sFind Reference var ablasDesig vernerFietu-Puint Tuul,Lincar Ang k,>Signal g Seap. Manag-Prrt snal marissRackoroind colorunder no masle of -h eclactad slack辆动力学模块如下图所示:包含发动机、传动系统、底盘系统、换挡逻辑等几个模块。基本的车辆状态参数都已包含在输出信号中(wx,rpm,gear, ax, ay, auto/manual shift throttle brake, ENgine, PDrive roll, pitchwy),其他信号可从相应的模块白由调用回回Ele E1t View Simulation Format Iols上C|c母电|→计|(nifn多|國同多ImpEllEr onLE INnea:: Au. uRiEldes

ID3算法是决策树的鼻祖，最早于1986年由Quinlan提出，全称是Iterative Dichotomiser 3 [1]。在这篇课程报告中，我将对经典的ID3做出三次改进：1.把 info gain 改进为 gain ratio；2. 把简单投票的过程改进为朴素贝叶斯的方法；3. 将许多颗ID3决策树打造成随机森林。本人将在Weka平台进行二次开发，并且用Weka-Experiment做大量实验，和其它著名的算法进行比较，最后做出综述。项目的源代码开源在本人的GitHub主页上。未来工作有以下几点:是那么容易就可以随机出来的1.在 Improvement Two中,3树的生长的深度限3.可以把这三种改进方法糅合在一起,看看三种制在多少,可以进行进一步的研究改进组合在一起,能不能产生性能更加的算法2.在 Improvement Three中,本人费劲心思写出来4.上述所有方法都是基于属性为 nominal的数据的“随机森林”,正确率反而比D3更差。虽然集,可以进一步研究属性为 numerical,甚至是很使我伤心,但是我在写代码、调试代码、还有两者混合的数据集。思考的过程中有了不少长进。看来随机森林不L己ta3et(1 caitao.I(2) caita (3 caita (4 caita (5) trees (6)treesca置,色va1 eatlon(100)B9.19|81.36*92.85V78.日9*94.43W93.40Vweather. symbolic100)79.00|56.507s.0079.57.506,50{v!/*)|(0/1/1)(1/1/0(011/1)(1/1/0)(1/1/0Re1)caia。,工3"-26936786470963225612) CaILE。 gainRatio.工D311-2693678647096322561(3 caitao naiveBayes. ID3-26936786470963225614)cata0 andomforest,ID31-2593678647096322561{5) trees. NBTree"-47160057070582560866) trees. Randomforest"-10-4-51- depth101-2260823972777004705图-7: Weka-experiment实验结果。总共6个算法,2个数据集。6个算法中(1是原始的1D3算法,后面(2)-(4)是本人的改进算法,(5)和(6)是Weka平台自带的算法。GitHub较风趣;另一方面,蒋老师在我上机实习的过程过,本次模式识别上机实刁的代码,全部公开在本人的回答了我不少疑惑,虽然这些疑惑对于蔣老师而言GitHub主页上面,ur地址如下:可能十分幼稚,但是依然完整解决了我的问题。1. Improvement one:https://github.com/caitaozhan/id3improvements/treREFERENCES/gain ratio2. Improvement TwoJhttps://en.wikipedia.org/wiki/id3algorithmhttps://github.com/caitaozhan/id3_improvements/tre[2]决策树,蒋良孝的PPTChapter2-8e/naive bayes[3] Data Mining Practica/ Machine Learning Tools and3. Improvement threTechniques--Chapter4.3https://github.com/caitaozhan/id3improvements/tre[4贝叶斯分类,将良孝的PPTChapter3-15e/random forest[5]http://archive.ics.uci.edu/ml/datasets/car+evaluation[6]https://en.wikipediaorg/wiki/random_subspace_methodAcknowledgements感谢蒋良孝老师对于我的指导。一方面,蒋老师上课讲解十分到位,关键部位一点就通了,不仅如此还比