科学计算器，可进行复杂的科学计算，最多可有99个变量

C++作业，实现vector-C operations and achieve vector

应用背景滑动平均滤波算法的C代码。移动平均滤波器的matlab代码示例应用程序。关键技术此代码创建一个随机信号与高斯参数。这个信号滤波。

资源描述基于Gabor+pca识别人脸表情 ，很详细，用opencv实现的  对于学习pca算法的初学者很有用。

内窥镜视频图像的视角往往很小，  本文通过sift算法  对内窥镜视频图像进行逐帧拼接  得到全景图像  以实现获取一个较大的视角  提高医生的手眼协调， 帮助医生更方便的观察病灶。  硬件方面采用 naneye 图像传感器    通过传感器获取图像  sift算法实时拼接~~ SIFT，即尺度不变特征转换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述子。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

快速傅立叶变换程序代码,学信号的同学,可要注意了-Fast Fourier Transform code, the students learn signal, I must remind the

（1）Msls分三步对系统和噪声模型进行辨识，采用脉冲序列作为辅助系统模型，用 计算输出数据 ；用原输出数据 计算 ，用递推最小二乘方法分别对系统参数和模型参数进行估计。 （2）M.dat,wnoise1.dat分别为M和白噪声序列。Wnoise1.dat的长度为700，wnoise2.dat的长度为1000。Msls6.c为N=600的程序，Msls8.c为N=800的程序。 （3）程序运行后，生成的两个h文件为产生的脉冲响应函数。Msls6.dat为msls6.c的参数估计结果，msls8.dat为msls8.c的参数辨识结果。分别如下所示： a1=0.906331 a2=0.160170 a3=0.025525 b1=0.704475 b2=-1.497551 c1=1.009114 c2=0.446890 a1=0.906347 a2=0.159066 a3=0.024650 b1=0.700720 b2=-1.493327 c1=1.008787 c2=0.425714 （4）由数据结果可以看出，采用msls辨识方法估计精度要比els法的估计精度差一些。尤其是噪声参数c2的估计误差不在1％以内。这是由于msls法计算上较为简便，计算上的简化就带来了估计精度上的误差。由N=600和N=800相比较，可以看出当N增大时，误差有所减小。理论上当N趋于无穷时， 。 -err

应用背景排序是数据结构学习中非常重要的一个部分，也是各大公司面试笔试必须考试的内容，如果你想学习排序，并且希望用C++语言实现的话，本程序将是你的不二选择，这里面实现了初级冒泡排序，冒泡排序，改进冒泡排序，选择排序，直接插入排序，希尔排序，堆排序，归并排序（递归）。关键技术这里面实现了初级冒泡排序，冒泡排序，改进冒泡排序，选择排序，直接插入排序，希尔排序，堆排序，归并排序（递归）。里面包括链表的创建，链表的删除，链表的合并，数据的交换，堆的定义，调整大顶堆，调整小顶堆和结构体的定义等重要技术。

该文件是自己在做点阵汉字字体变换时所写的函数，主要包括整数放大，倾斜，加粗，颠倒，镜像和旋转操作。

this is a matrix solve

用一观测器从t=1秒开始对一个运动目标的距离进行连续地跟踪测量，假设观测的间隔为一秒钟，雷达到运动目标之间的距离为S(t)（1） 统计特性的初值为 （2）观测误差是与和均不相关的白噪声序列，并且有 （3）观测数据存放在附加的文件中（单位：m）。 要求：分析上述对象，建立系统模型，构造卡尔曼滤波器，编程计算，求： （1） 距离S(t)的最佳估计及估计误差， （2） 距离S(t-5)的最佳平滑及估计误差， （3） 距离S(t+5)的最佳预测及估计误差， （4） 对结果进行分析讨论。 -By one observer from the t = 1 PST on a moving target tracking for distance measurement, assuming that the observation interval is one second, the radar that the distance between the moving target for the S (t) (1) the statistical characteristics of the initial condition (2) observational error is not associated with white noise sequence, and (3) observational data stored in the attached document (unit: m). Requirements: Analysis of the above-mentioned object, the establishment of the system model, constructed Kalman filter, programming terms, seeking: (1) distance from S (t) the best estimate and the estimation error, (2) distance from S (t-5) the most good smoothing and estimation error, (3) distance from S (t+ 5) t