密码锁程序

JPEG的解压算法，可以帮助初学者明确了解JPEG格式信息，对照代码可以明白数据标识码在那边表示，也可以修改他们做出相应调整。对于刚接触JPEG格式的人来说是有用的。 

基于hough的随机变化圆检测，利用对hough算法进行改进，使其效率更高。

资源描述本文基于面阵提出一种UNITARY-ESPRIT算法解决非相干信源的二维DOA估计问题，利用酉变换把复值导向矩阵和复协方差矩阵转换为实值计算，因此特征值分解或者奇异值分解仅在实数域下进行，大大降低运算复杂度，而且估计性能优于传统的ESPRIT算法。

拉格朗日插值函数算法的示例-Lagrangian function interpolation algorithm examples

¨6.1画线算法 ¨6.2并行画线算法 ¨6.3帧缓存值的装载 ¨6.4圆生成算法 ¨6.5椭圆生成算法 ¨6.6其他曲线 ¨6.7并行曲线算法 ¨6.8像素编址和对象的几何要素 ¨6.9直线段和曲线属性的实现 ¨6.10通用扫描线填充算法 ¨6.11凸多边

对混沌神经网络进行预测，效果非常好，精度比较高-forecasting of chaos

资源描述This paper presents a lowcost indoor location identification and material tracking methodology for construction projects using Ultra High Frequency (UHF) passive Radio Frequency Identification (RFID) technology. Onsite location aware information is an emerging area that focuses on automating delivery of spatial information pertinent to location of materials, workforce, and equipment. This spatial information can be used to derive knowledge about construction project status. A two-step algorithm is presented to automate the process of location estimation and material tracking in near-real-time. In this methodology, a number of passive RFID tags are distributed onsite where work is progressing, and a mobile RFID reader is carried by a worker onsite. Each passive RFID tag is deployed as a reference point with a known location (landmark) within a predefined zone. Reference tags of known locations are used to d

应用背景Build Instructions: Make sure you have autoconf, swig, texinfo, python-dev, build-essential packages or equivalent installed via your package manager. cd libredwg ./autogen.sh && ./configure && make && sudo make install cd ../dxflib ./configure && make && sudo make install cd .. Once the above dependencies have been built, edit /usr/local/include/dwg.h, and rename the THICKNESS constant (or add _ to end). It conflicts with another constant included in the converter, but is not used itself. After that, just run "make". That"s it! 关键技术GNU LibreDWG 是一个免费开源的 C 库用来处理 DWG 文件，这

应用背景 支持向量机（Support Vector Machine，SVM）是一种新的机器学习方法，其基础是Vapnik创建的统计学习理论（Statiscal Learning Theory，STL）。统计学习理论采用结构风险最小化（Structural Risk Minimization，SRM）准则，在最小化样本点误差的同时，最小化结构风险，提高了模型的泛化能力，且没有数据维数的限制。在进行线性分类时，将分类面取在离两类样本距离较大的地方；进行非线性分类时通过高维空间变换，将非线性分类变成高维空间的线性分类问题。 关键技术 本章将详细介绍支持向量机的分类原理，并将其应用于基于乳腺组织电阻抗频谱特性的乳腺癌诊断。 乳腺是女性身体的重要器官，乳腺疾病类别繁多、病因复杂，其中，乳腺癌是乳腺疾病的一种，逐渐成为危害女性健康的主要恶性肿瘤之一。近年来，乳腺癌等乳腺疾病发病率呈明显上升趋势，被医学界称为“女性健康第一杀手” 。 相关研究结果表明，在直流状态下不同生物组织表现出不同的电阻特性，生物组织电阻抗随着外加电信号频率的不同而表现出较大的差异。常见的电阻抗测量方法有：电阻抗频谱法(Impedance Spectroscopy)、阻抗扫描成像法(Electrical Impedance Scanning，EIS)、电阻抗断层成像法（Electrical Impedance Tomography，EIT）等。电阻抗频谱法的测量依据是生物组织的电阻抗随着外加电信号频率的不同而呈现出较大的差异；阻抗扫描成像法的原理是癌变组织与正常组织及良性肿瘤组织的电导（阻）率相比，存在着显著性的差异，从而使得均匀分布在组织外的外加电流或电压场产生畸变；电阻抗断层成像法则利用设于体表外周的电极阵列及微弱测量电流，提取相关特征并重新构造出截面的电阻抗特性图像。 尽管目前的电阻抗测量结果还存在一些偏差，但相关研究已经证实癌变组织与正常组织的电阻抗特性存在显著地差异。因此，乳腺组织的电阻抗特征可以应用于乳腺癌的检查与诊断中。由于电阻抗测量法具有无创、廉价、操作

求解矩阵的最大最小特征值及对应的特征向量，以及计算条件数-solving matrix eigenvalue largest and the smallest corresponding eigenvectors and calculate several conditions