语音信号处理实验教程-MATLAB源代码.7z

鼠标经常在单击时变成双击，所以打算写一个鼠标过滤驱动来修复硬件的BUG鼠标过滤驱动能修复这个Bug的原理是：鼠标在点击时，会触发一个硬件中断，然后发消息给过滤驱动，这时我在驱动中判断两次点击的时间间隔，如果小于100ms则认为是硬件故障，屏蔽掉该此操作关于鼠标过滤，这里主要说一下IRP的取消。取消IRP还真是花费了我很多时间，原因是IoCancelIrp这个函数会直接回调完成例程，然后破坏了链表的结构，导致了蓝屏。（我在MyRead例程里面把IRP插入到一个链表里面，然后在MyReadComplete里面，从链表里面移除该IRP）这样只好，在取消IRP时，复制一个新的链表，在新

ACM竞赛中常用的经典算法及具体代码C++实现,pdf电子书格式,完整链接.内容涉及图论 数论 排序 高精度 数据结构 计算几何 字符串处理等.

经典 chan 算法 TDOA 仿真 用于无线定位算法仿真

Hackers delight 2nd edition黑客必备

有程序和资料。17年华为杯数学建模D题，针对问题一，在静止背景条件下，提取运动前景目标轮廓，首先处理视频，生成单帧数据，针对不含纯背景帧的视频采用帧间差分法，对含背景帧的视频数据采用背景差分法。两种方法都可以准确提取静止背景下的前景目标轮毂，最后进行形态学的补充处理，达到预期的效果。针对问题二，分析动态背景每一帧之间都大面积的不同，因此使用帧差法的结果会出现大量的噪点。采取混合高斯模型(GMM)对动态的背景进行建模，采用一定帧数的图像来训练模型，从而实现实时更新的背景模型，过滤掉背景变化对目标提取的影响，可以准确提取前景目标。针对问题三，考虑摄像头抖动造成图像的变化，因此考虑首先去抖动，对

模式识别mini project-脱机手写签名识别，这是每个学习模式识别的同学必做的课程设计mini project，主要功能要求如下： 一共有20个人，在其对应的文件夹中存放了每个人的20个手写签名图像，每幅图像均为PCX图像格式，大小为129 94像素大小。 对每个人的手写签名，用其中80%的图像作为训练样本进行训练，用余下的20%的图像进行测试。在签名图像进行特征提取时，提取6 个ET1和6 个DT12轮廓特征。每一个人的手写签名特征假设为48维特征空间的多维高斯分布。用贝叶斯参数估计法估算概率密度函数（pdf），然后用Bayes分类器识别。分别计算close test和open

超级全的用AD9850制作信号发生器的资料(原理图+PCB+源程序+相关芯片PDF+图片)

详细介绍了时间序列建模及预测过程，包括算法，也包括一些matlab工具箱中的代码计算结果表明,时,预测的标准误差较小,所以选取=。预测第月份的销售收入为计算的程序如卜为移动平均的项数由于的取值不同,的长度不一致,下面使用了细胞数组简单移动平均法只這合做近期预测,而且是预测目标的发展趋势变化不人的情况如果目标的发展趋势存在其它的变化,米用简单移动屮均法就会产生较大的预测偏差和滞后。加权移动平均法在简单栘动平均公式中,每期数据在求平均时的作用是等同的。但是,每期数据所包含的信息量不样,近期数据包含着更多关于未来情况的信息。因此,把各期数据等同看待是不尽合理的,应考虑各期数据的重要性,对近期数据给予较大的权重,这就是加权移动平均法的基本思想。设时间序列为加权移动平均公式为十·十∴+式中为期加权移动平均数;为的权数,它体现了相应的在加权平均数中的重要性。利用加权移动平均数来做预测,其预测公式为即以第期加权移动平均数作为第+期的预测值。例我国年原煤广量如表所示,试用加权移动平均法预测年的产量。表我国原煤产量统计数据及加权移动平均预测值表原煤产量三年加权移动平均预测值相对差(%)解取,按预测公式计算三年加权移动平均预测值,其结果列于表中。年我国原煤产量的预测值为(亿吨这个预测值偏低,可以修正。其方法是:先计算各年预测值与实际值的相对误差,例如年为将相对误差列于表中,再计算总的平均相对误差。由于总预测值的平均值比实际值低,所以可将年的预测值修正为计算的程序如下:在加权移动平均法中,的选择,同样具有一定的经验性。一般的原则是:近期数据的权效人,远期数据的权数小。至于人到什么稈度和小到什么程度,则需要按照预测者对序饥的了解和分析来确定。趋势移动平均法简单移动平均法和加权移动平均法,在时间序列没有明显的趋势变动时,能够准确反映实际情况。但当时间序列出现直线増加或减少的变动趋势时,用简单移动平均法和加权移动平均法来预测就会岀现滞后偏差。因此,需要进行修正,修正的方法是作二次移动平均,利用移动平均滞后偏差的规律米建立直线趋势的预测模型。这就是趋势移动平均法。次移动的平均数为+∴在一次移动平均的基础上再进行一次移动平均就是二次移动平均,其计算公式为D下面讨论如何利用移动平均的潛后偏差建立直线趋势预测模型。设时间序列从某时期开始具有直线趋势,且认为末来时期也按此直线趋势变化,则可设此直线趋势预测模型为其中为当前时期数;为由至预测期的时期数;为截距;为斜率。两者又称为平滑系数现在,我们根据移动平均值来确定平滑系数。由模型()可知所以+…十因此由式(),类似式()的推导,可得所以类似式()的推导,可得于是,由式()和式()可得平滑系数的计算公式为例我国年的发电总量如表所示,试预测和年的发电总量。表我国发电量及一、二次移动平均值计算表年份发电总量次移动平均二次移动平均,=解由散点图可以看出,发电总量基本呈直线上升趋势,可用趋势移动半均法来预测。图原始数据散点图取三,分别计算次和二次移动平均值并列于衣中。再由公式(),得于是,得时直线趋势预测模型为预测年和年的发电总量为计算的程序如下:把原始数据保存在纯文本文件中为移动平均的项数趋势移动平均法对于冋时存在直线趋势与厝期波动的序列,是种既能反映趋势变化,又可以有效地分离出来周期变动的方法。§指数半滑法次移动平均实际上认为最近期数据对未来值影响相同,都力权一;而期以前的数据对未来值没有影响,加权为。但是,二次及更高次移动平均数的权数却不是—,且次数越高,权数的结构越复杂,但永远保持对称的权数,即两端项权数小,中间项权薮大,不符合一般系统的动态性。一般说来历史数据对未来值的影响是随时间间隔的增长而递减的。所以,更切合实际的方法应是对各期观测值依时间顺序进行加权平均作为预测值。指数平滑法可满足这一要求,而且具有简单的递推形式指数平滑法根据平滑次数的不同,又分为一次指数平滑法、二次指数平滑法和三次指数平滑法等,分别介绍如下次指数平滑法.预测模型设时间序列为,a为加权系数,

与博文（http://blog.csdn.net/google19890102/article/details/45273309）配套的实验

LU分解法，列主元三角分解法MATLAB代码，有详细注释，易于理解