毕业设计项目源码含论文基于JSP的公交查询系统

本代码基于IDL语言开发，以我国环境一号（HJ-1）卫星影像为例，实现了HJ-1 CCD影像的大气校正。压缩包中包括了HJ-1 CCD影像的定标系数（可以根据资源卫星应用中心发布的最新系数进行替换）和查找表。供遥感初学者参考

现代控制理论课件，详细的介绍了现代控制理论的相关知识点§1.1现代控制理论的形成和发展、经典控制理论的形成与发展18世纪初19世纪20世纪40年代萌芽发展形成阶段阶段体系Northeastern University球止又于1、萌芽阶段随着科学技术与工业生产的发展,到十八世纪,自动控制技术逐渐应用到现代工业中。其中最卓越的代表是瓦特( J. Watt)发明的蒸汽机离心调速器,加速了第一次工业革命的步伐瓦特Northeastern University球止又于2、发展阶段1868年马克斯韦尔(J.C. Maxwel1)解决了蒸汽索机调速系统中出现的剧烈振荡的不稳定问题,提出了简单的稳定性代数判据马克斯韦尔(JC. Maxwe11)Northeastern University球止又于3、形成体系阶段1895年劳斯( Routh)与赫尔维茨( Hurwitz)把与克斯韦尔的思想扩展到高阶微分方程描述的更复杂的系统中,各自提出了两个著名的稳定性判据一劳斯判据和赫尔维茨判据。基本上满足了二十世纪初期控制赫尔维茨( Hurwitz)工程师的雷要Northeastern University由于第二次世界大战需要控制系统具有准确跟踪与补偿能力,1932年奈奎斯特(H. Nyquist)提出了频域内研究系统的频率响应法,为具有高质量的动态品质和静态准确度的军用控制系统提供了所需的分析⊥具。奈奎斯特Northeastern University4、经典控制理论的特点和局限性(1)以SIS0线性定常系统为研究对象(2)以拉氏变换为工具,以传递函数为基础在频率城中分析与设计(3)难以有效地应用于时变系统、多变量系统(4)难以有效地应用于非线性系统Northeastern University二、现代控制理论的形成与发展20世纪50年代60~80年代80年代后萌芽发展形成阶段阶段体系Northeastern University1.五十年代后期,贝尔曼( Bellman)等人提出了状态分析法;在1957年提出了动态规划。2.1959年卡尔曼( Kalman)和布西创建了卡尔曼滤波理论;1960年在控制系统的研究中成功地应用了状态空间法,并提出了可控性和可观测性的新概卡Northeastern University

完整版，带目录，机器学习必备经典；大部头要用力啃。Machine learning A Probabilistic PerspectiveMachine LearningA Probabilistic PerspectiveKevin P. MurphyThe mit PressCambridge, MassachusettsLondon, Englando 2012 Massachusetts Institute of TechnologyAll rights reserved. No part of this book may be reproduced in any form by any electronic or mechanicalmeans(including photocopying, recording, or information storage and retrieval)without permission inwriting from the publisherFor information about special quantity discounts, please email special_sales@mitpress. mit. eduThis book was set in the HEx programming language by the author. Printed and bound in the UnitedStates of AmLibrary of Congress Cataloging-in-Publication InformationMurphy, Kevin Png:a piobabilistctive/Kevin P. Murphyp. cm. -(Adaptive computation and machine learning series)Includes bibliographical references and indexisBn 978-0-262-01802-9 (hardcover: alk. paper1. Machine learning. 2. Probabilities. I. TitleQ325.5M872012006.31-dc232012004558109876This book is dedicated to alessandro, Michael and stefanoand to the memory of gerard Joseph murphyContentsPreactXXVII1 IntroductionMachine learning: what and why?1..1Types of machine learning1.2 Supervised learning1.2.1Classification 31.2.2 Regression 83 Unsupervised learning 91.3.11.3.2Discovering latent factors 111.3.3 Discovering graph structure 131.3.4 Matrix completion 141.4 Some basic concepts in machine learning 161.4.1Parametric vs non-parametric models 161.4.2 A simple non-parametric classifier: K-nearest neighbors 161.4.3 The curse of dimensionality 181.4.4 Parametric models for classification and regression 191.4.5Linear regression 191.4.6Logistic regression1.4.7 Overfitting 221.4.8Model selection1.4.9No free lunch theorem242 Probability2.1 Introduction 272.2 A brief review of probability theory 282. 2. 1 Discrete random variables 282. 2.2 Fundamental rules 282.2.3B292. 2. 4 Independence and conditional independence 302. 2. 5 Continuous random variable32CONTENTS2.2.6 Quantiles 332.2.7 Mean and variance 332.3 Some common discrete distributions 342.3.1The binomial and bernoulli distributions 342.3.2 The multinomial and multinoulli distributions 352. 3.3 The Poisson distribution 372.3.4 The empirical distribution 372.4 Some common continuous distributions 382.4.1 Gaussian (normal) distribution 382.4.2Dte pdf 392.4.3 The Laplace distribution 412.4.4 The gamma distribution 412.4.5 The beta distribution 422.4.6 Pareto distribution2.5 Joint probability distributions 442.5.1Covariance and correlation442.5.2 The multivariate gaussian2.5.3 Multivariate Student t distribution 462.5.4 Dirichlet distribution 472.6 Transformations of random variables 492. 6. 1 Linear transformations 492.6.2 General transformations 502.6.3 Central limit theorem 512.7 Monte Carlo approximation 522.7.1 Example: change of variables, the MC way 532.7.2 Example: estimating T by Monte Carlo integration2.7.3 Accuracy of Monte Carlo approximation 542.8 Information theory562.8.1Entropy2.8.2 KL dive572.8.3 Mutual information 593 Generative models for discrete data 653.1 Introducti653.2 Bayesian concept learning 653.2.1Likelihood673.2.2 Prior 673.2.3P683.2.4Postedictive distribution3.2.5 A more complex prior 723.3 The beta-binomial model 723.3.1 Likelihood 733.3.2Prior743.3.3 Poster3.3.4Posterior predictive distributionCONTENTS3.4 The Dirichlet-multinomial model 783. 4. 1 Likelihood 793.4.2 Prior 793.4.3 Posterior 793.4.4Posterior predictive813.5 Naive Bayes classifiers 823.5.1 Model fitting 833.5.2 Using the model for prediction 853.5.3 The log-sum-exp trick 803.5.4 Feature selection using mutual information 863.5.5 Classifying documents using bag of words 84 Gaussian models4.1 Introduction974.1.1Notation974. 1.2 Basics 974. 1.3 MlE for an mvn 994.1.4 Maximum entropy derivation of the gaussian 1014.2 Gaussian discriminant analysis 1014.2.1 Quadratic discriminant analysis(QDA) 1024.2.2 Linear discriminant analysis (LDA) 1034.2.3 Two-claSs LDA 1044.2.4 MLE for discriminant analysis 1064.2.5 Strategies for preventing overfitting 1064.2.6 Regularized LDA* 104.2.7 Diagonal LDA4.2.8 Nearest shrunken centroids classifier1094.3 Inference in jointly Gaussian distributions 1104.3.1Statement of the result 1114.3.2 Examples4.3.3 Information form 1154.3.4 Proof of the result 1164.4 Linear Gaussian systems 1194.4.1Statement of the result 1194.4.2 Examples 1204.4.3 Proof of the result1244.5 Digression: The Wishart distribution4.5. 1 Inverse Wishart distribution 1264.5.2 Visualizing the wishart distribution* 1274.6 Inferring the parameters of an MVn 1274.6.1 Posterior distribution of u 1284.6.2 Posterior distribution of e1284.6.3 Posterior distribution of u and 2* 1324.6.4 Sensor fusion with unknown precisions 138

使用matlab，可以读取乐谱转变成的txt文件后自动播放该段旋律，并且可以选择不同的乐器 内附3首曲目

这是我今年做的毕业设计《大棚温湿度自动控制系统》。包括SHT10温湿度传感器+LCD1602液晶显示器C语言程序，Proteus仿真，Altium Designer原理图和毕业设计论文。所有程序、仿真都已调试好，可直接使用。

实现LMS算法，将输入和输出信号进行对比，并给出均方误差曲线。时域抽头LMS算法滤波器阶数为128，输入信号采样点数为1024.

ESP8266的 TCP通信(server)ESP8266的

图像配准。matlab代码。利用SIFT算法提取特征点并进行描述，找到两幅图像中对应的特征点对，利用RANSAC算法剔除不正确的特征点对并计算单应性矩阵（投影变换参数），利用立方卷积插值得到配准之后的图像。显示结果中包含棋盘格显示。

详细的超图培训教程，分7个章节，入门和进阶

针对传统Canny 边缘检测算法的阈值需要人为设定的缺陷，本文提出了一种新的自适应改进方法。该方法根据梯度直方图信息，提出梯度差分直方图的概念，同时，对图像进行自适应分类处理，使得算法不仅不需要人工设定阈值参数，而且还能有效地避免Canny 算法在边缘寻找中的断边和虚假边缘现象。对边缘信息丰富程度不同的灰度图和彩色图像运用该方法寻找边缘的实验结果表明，对于在目标与背景交界处的多数像素梯度幅值较大的图片，该算法具有边缘检测能力强、自适应能力强的优点