三角网存储于显示

基于opencv的手势识别，使用了camshift算法.对运动物体的跟踪：如果背景固定,可用帧差法 然后在计算下连通域 将面积小的去掉即可如果背景单一,即你要跟踪的物体颜色和背景色有较大区别 可用基于颜色的跟踪 如CAMSHIFT 鲁棒性都是较好的如果背景复杂,如背景中有和前景一样的颜色 就需要用到一些具有预测性的算法 如卡尔曼滤波等 可以和CAMSHIFT结合 ...

要解决 AX = B 鉴于初始逼近 X(0)。 输入： 方程和未知数的数目 n;条目 A(I,J)，1 < = I J < = n 的矩阵 ；条目 B (一)， 1 < = I < = n 的非均匀期限 B ；条目 XO(I)，1 < = I < = n 的 X(0) ；容忍 TOL ；最大值 N.迭代的次数 输出: 近似解 X(1),...,X(n) 或一条消息 迭代的次数超过了。

98年全国大学生数学建模竞赛B题“水灾巡视问题”，是一个推销员问题，本题有53个点，所有可能性大约为exp(53),目前没有好方法求出精确解，既然求不出精确解，我们使用模拟退火法求出一个较优解,将所有结点编号为1到53,1到53的排列就是系统的结构,结构的变化规则是:从1到53的排列中随机选取一个子排列,将其反转或将其移至另一处,能量E自然是路径总长度。具体算法描述如下：步1： 设定初始温度T，给定一个初始的巡视路线。步2 ：步3 --8循环K次步3：步 4--7循环M次步4：随机选择路线的一段步5：随机确定将选定的路线反转或移动，即两种调整方式：反转、移动。步6：计算代价D，即调整前后的总路程的长度之差步7：按照如下规则确定是否做调整：如果D0,则按照EXP(-D/T)的概率进行调整步8:T*0.9-->T,降温-98 National Mathematical Contest in Modeling B and that the "flood inspections", is a salesman problem, and that is 53 points, all possibilities about exp (53), there is no good way to get accurate solutions, since no exact solution for, we used simulated annealing France obtained an optimum solution to all nodes to a number of 53 to 53.1 is with the system structure, changes in the structure of the rules is : from 1-53 with a randomly selected with a son, to reverse or to move it to another, the energy E is the natural path length. The specific algorithm is described as follows : Step 1 : The initial set temperature T,

用于改善图像中的浓雾效果，包括暗通道算法和retinex算法

单源点最短路径贪心算法：用到Dijkstra算法，-single source shortest path greedy algorithm : use Dijkstra algorithm,

bbp算法计算圆周率精确到千万位以上-bbp algorithm for calculating pi accurate to more than 10 million

弹塑性UMAT程序，讲述弹性本构关系的数值实现过程，考虑了双线性各向同性硬化准则。通过UMAT的模拟，可以和Abaqus材料库中的模型进行对比，验证数值实现的合理性。由于弹塑性UMAT的实现过程文献中均有描述，可以获得相关的公式推导。

问题：小明的家里有五口人，他们排成一排照相，那么一共有多少种排法呢，你能不能把所有的排法写出来？ -: Xiao Ming is the home of five, they line up a row of photographs, and then a row the total number of species law, um, You can put all the scheduling was made?

机械优化设计的C程序，黄金分割法，解决一维优化问题-Optimal Design of C mechanical procedures, golden section method to solve one-dimensional optimization problem

整个算法分成三部分，第一个部分是神经网络整体结构的确定，然后是遗传算法对参数的优化，然后便是利用已经优化好的参数，利用神经网络进行预测。我们根据需要优化的权值以及阈值的数量确定算法个体的长度。个体通过适应度函数计算他们的适应度，根据适应度的大小，我们使用轮盘算法，确定他们的遗传，交叉还有变异等过程，优化以后的BP神经网络可以更好地收敛。