jsp 图书馆座位预约管理系统的设计与实现(毕业设计)

NSGA-II的matlab程序，由Aravind Seshadri编写

分别对几种轿车的发动机特性与最高车速、加速能力等汽车动力性指标进行了仿真. 仿真结果表明,相关仿真数据与厂家提供的参考数据相吻合. 所建立的仿真模型是实用的,具有车型适应性强、模型参数量少且易获取等特点.

人脸识别的全部matlab代码，真实的图像尺寸为112x92，列向量堆积对应人脸库矩阵的每一列。实验安排：1、熟悉matlab，计算出R2、利用协方差矩阵K-L变换、利用近邻法得到初步识别结果3、改用类间离散度矩阵进行K-L变换，比较结果4、结果分析：识别率统计、多个特征向量的取舍、测试样本的选择

很多涉及图上操作的算法都是以图的遍历操作为基础的。试写一个程序，演示无向图的遍历操作。以邻接表为存储结构，实现连通无向图的深度优先和广度优先遍历。以用户指定的结点为起点，分别输出每种遍历下的结点访问序列和相应生成树的边集。[测试数据]由学生依据软件工程的测试技术自己确定。注意测试边界数据，如单个结点。[实现提示]设图的结点不超过30个，每个结点用一个编号表示（如果一个图有n个结点，则它们的编号分别为1,2,…,n）。通过输入图的全部边输入一个图，每个边为一个数对，可以对边的输入顺序作出某种限制。注意，生成树的边是有向边，端点顺序不能颠倒。

空间插值算法的具体介绍， 很详细， 可以帮助对空间数据的掌握

之前学习并详细总结了一篇k-均值（k-means）算法思想与实现步骤的文章，于是顺便提供Matlab代码实现，使得更好的理解算法的思想。本代码有详细的注释使初学者能更好的学习Matlab这门工具语言。

使用python实现了PSO算法优化LSTM参数，包括time_step,batch_size,learning rate 和 cell_size等

SIFT算法入门时看的一篇文章，SIFT算法详解及应用(讲的很详细)SIFT简介SIFTScale Invariant Feature Transform传统的特征提取方法成像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。传统的匹配算法往往是直接提取角点或边缘,对环境的适应能力较差,急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。己0]/3/己7彐SIFT简介SIFTScale Invariant Feature TransformSIFT提出的目的和意义分1999年 British columbia大学大卫.劳伊( David g.Lowe)教授总结了现有的基于不变量技术的特征检测方法,并正式提出了一种基于尺度空间的、对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子一SIFT(尺度不变特征变换),这种算法在2004年被加以完善己0]/3/己7SIFT简介SIFTScale Invariant Feature Transform将一幅图像映射(变换)为一个局部特征向量集;特征向量具有平移、缩放、旋转不变性,同时对光照变化、仿射及投影变换也有一定不变性。己0]/3/己7SIFT简介SIFTScale Invariant Feature TransformSIFT算法特点SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。独特性( Distinctiveness)好,信息量丰富,适用于在海量特征数据库中进行快速、准确的匹配。多量性,即使少数的几个物体也可以产生大量SIFT特征向量。经过优化的SIFT算法可满足一定的速度需求。可扩展性,可以很方便的与其他形式的特征向量进行联合。己0]/3/己7SIFT简介SIFTScale Invariant Feature TransformSIFT算法可以解决的问题目标的自身状态、场景所处的环境和成像器材的成像特性等因素影响图像配准/目标识别跟踪的性能。而SIFT算法在一定程度上可解决:目标的旋转、缩放、平移(RST)图像仿射/投影变换(视点 viewpoint)光照影响(111 amination)目标遮挡( occlusion)杂物场景(c1 utter)噪声己0]/3/己7SIFT算法实现细节SIFTScale Invariant Feature TransformSIFT算法实现步骤简述SIFT算法的实质可以归为在不同尺度空间上查找特征点(关键点)的问题。原图像特征点特征点目标的特检测描述征点集特征点匹匹配点矫配正目标图像特征点特征点目标的特检测描述征点集SIFT算法实现物体识别主要有三大工序,1、提取关键点;2、对关键点附加详细的信息(局部特征)也就是所谓的描述器;3、通过两方特征点(附带上特征向量的关键点)的两两比较找出相互匹配的若干对特征点,也就建立了景物间的对应关系。SIFT算法实现细节SIFTScale Invariant Feature TransformSIFT算法实现步骤关键点检测己。关键点描述彐·关键点匹配4·消除错配点己0]/3/己7关键点检测的相关概念SFTiant Feature Transfor1.哪些点是SIFT中要查找的关键点(特征点)?这些点是一些十分突出的点不会因光照条件的改变而消失,比如角点边缘点、暗区域的亮点以及亮区域的暗点,既然两幅图像中有相同的景物,那么使用某种方法分别提取各自的稳定点,这些点之间会有相互对应的匹配点。所谓关键点,就是在不同尺度空间的图像下检测出的具有方向信息的局部极值点。根据归纳,我们可以看出特征点具有的三个特征:尺度方向大小己0]/3/己7

CNN——卷积神经网络类数字识别matlab实现代码,原因是现在而与Matlab c++ / CUDA库前端比一个Matlab库。这个项目提供了matlab类卷积神经网络的实现。勒存这网络是由Yann和已经成功地使用在许多实际应用,如手写数字识别、人脸检测、机器人导航等更多信息。由于卷积网络的一些建筑的特性,如重量共享实现它是不现实的利用Matlab神经网络工具箱没有它的源代码的修改。这就是为什么这类作品几乎独立于神经网络工具箱(即将完全独立这个版本包括示例使用CNN手写数字的识别。如果你只是想试试cnet_tool运行。你会看到一个简单的GUI。它加载pretrained cnet的卷积神经

ssim 图像质量评价 图像处理 ssim的MATLAB算法程序ssim的MATLAB算法程序