Learnin Mathematics with the ABACUS Activity

A program to demonstrate the optimization process of particle swarm optimization. A two-dimensional objective function is visualized by level of grey: the lighter the color, the higher the function value. The particles are shown as red circles, their trajectory as red lines.-A program to demonstrate the optimization process of particle swarm optimization. A two- dimensional objective function is visualized by level of gray : the lighter the color, the higher the value function. The particles ar e shown as red circles. their trajectory as red lines.

四人过河求时间最短问题-four for the shortest river issues

应用背景adasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddспомощьюVинаспомощьюVинав。в。спомощьюVинаadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasdddddddddddddddddddddddddddddddddddddddddddadasddddddddddddddddddddddddddddddddddddddddddd关键技术234567891011121314151617181920РазмерА（- 2，- 4） ； ；делаюя= - 3,2читать*，（В（Я，какДж），ДжвС= - 4,0） ；конецсделатьзвонокмассивные（В，Н）печать*，встопконецподпрограммымассивные（В，Н）измерениеВ（Н） ； ；нея= 2，н2СделатьДж=Я，НВвKиВ=Н-ДЖ+Яесли（в（

资源描述本程序利用了opencv自带的haar人脸分类器，然后在vs编程环境下，实现了对静态图像中正脸、侧脸的检测，同时还实现了对动态视频中人脸的实时检测。

资源描述 APM3.3.1源码包括库，用ATMEGA2560开发的多旋翼飞行器，现在是V3.3.1版本，多飞行模式等做了优化处理，利用的开发环境是ARDUINO开发环境 详细信息参考如下网址 https://github.com/diydrones/ardupilot/tree/master/ArduCopter http://copter.ardupilot.com

用仿生模式识别来训练目标，在视频序列中跟踪目标 function [sausage, num] = hypersausage_construct(P) %按照样本给定的顺序去求解超香肠神经元 [~, W] = size(P);%W是训练样例的个数 sausage = []; for i = 2:W     temp = power_two(P(:, i - 1), P(:, i));%构建第i-1个神经元  //temp是一个行向量     %temp = power_three(P(:, i - 2), P(:, i-1),P(:,i));     sausage = [sausage temp]; end sausage = [sausage P(:, end)]; num = (size(sausage, 2) - 1) / (W - 1);

基于MFC的文件批处理程序，从MFC打开文件对话框或者选择文件夹对话框中获得目录，再从当前目录往下得到所有文件列表，并进行批处理。

bble 排序，有时被误称为下沉排序是一个简单的排序算法，通过反复逐句通过列表进行排序的工作，比较每一对相邻的项目和交换他们，如果他们是以错误的顺序。列表中的通过重复，直到没有全部门办法需要的这表明对列表进行排序。该算法到列表的顶端，从方式较小的元素"的泡沫"获取其名称。因为它只使用比较对元素进行操作，它是一种比较排序。虽然该算法很简单，大部分的其他排序算法的效率是更有效的大型列表。冒泡排序具有最坏情况以及平均复杂度两个 О(n2)，其中 n 是要排序的项的数目。极大地更好最坏的情况或平均复杂度是 O (n，log n) 存在很多的排序算法。即使其他 О(n2) 排序算法，如插入排序，倾向于有更好的性能，比冒泡排序。因此，冒泡排序不是一种实用的排序算法在 n 很大时。冒泡排序的唯一重大的优势超过大多数其他实现，甚至快速排序，但不是插入排序，是到算法有效地建立了检测对列表进行排序的能力。此列表已排序 （最好），冒泡排序的复杂性时只有 o (n)。与此相反的是，大多数其他算法，即使是那些具有更好的平均情况复杂性、 执行他们整个的排序过程对集和因而是更复杂。然而，不单止没有插入排序这一机制也有，但是它还更好地执行极大地进行排序 （具有反演一个小的数目） 的名单上。在大型集合的情况下，应避免冒泡排序。它不会有效时相反的顺序

应用背景这是支持向量机（SVM）的C #代码。从互联网上下载我。它的分类和模式识别是非常有用的。我相信如果你正在学习人工智能机还是有很大的帮助。这是一个GUI软件以及包括源代码。关键技术在机器学习， ； ； 支持向量机（SVM，也； ；支持向量网络）是 ；监督学习 ； 模型与相关的学习算法； ；，数据分析和模式识别，用于分类 ； ；和 ；回归分析。给定一组训练样本，每个标记为属于两个类别之一，训练一个SVM算法建立模型，分配新的实例为一类或其他，是一种非概率 ；二元 ；线性分类器。支持向量机模型是一个代表性的例子，空间中的点，将使单独的类的实例被明显的差距，尽可能宽。新的实例映射到相同的空间和预测属于一类基于差距落在哪边。

数据结构最基本的算法，双链表的c实现，包括创建，删除，修改，增加成员等操作