html2canvas加上canvas2image保存网页为图片

解线性方程组常见的QR分解法，尤其是针对大型矩阵，比较实用

通过matlab编程来实现LMS 与RLS 算法的实现，在相同的参数下，通过matlab图表观察两者收敛速度的快慢，是自适应信号学习者很好的参考

一个简单的自动化测试架构的实现（C#）.属性会作为元数据嵌入到程序集，通过反射机制能够得到这些元数据信息。程序员可以自己定义属性，对属性进行某种格式的定义，并利用属性来影响自己编写代码编译后的程序集(assmbly)自定义属性在编译时作为元数据被编译到程序集中，运行时通过反射机制被读取。这应该是这个自动化测试架构的立足点。

用C语言写的H264编码和解码的源代码 解码效率还是很不错的 也可以自己参考代码 对自学有很大帮助的

逆变器 设计方法，电路逆变器 设计方法，电路

UG二次开发 C++调用UG API 的所有参数 中文翻译版 方便查找

应用Matlab搭建了双闭环单相逆变，仿真模型运行波形完美，可以作为初学者学习模糊，神经，重复控制的参考资料

huff是无损压缩，绝对可用的哈夫曼编解码，本程序附带图像数据处理试验结果 原始数据与编码后解码后的数据结果完全相同。

为了提高逆变器输出的动态和稳态性能, 建立了电压电流双环控制的逆变器系统模型, 并用S imulink软件对所建模型进行了仿真。结果显示在双环控制下, 逆变器的输出完全达到预期的目标, 证明了PI控制器在系统中的重要性和实用性

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