Apachev2.2

基于蒙特卡洛算法的电力系统充裕性评估，评估IEEE-RTS79系统的充裕性指标。(Power system adequacy assessment based on Monte Carlo algorithm)

说明：  卷积神经网络的经典结构Xception的Keras实现(Keras implementation of xception, a classical structure of convolutional neural networks)

说明：  matlab遗传算法源码,英国社菲尔德工具箱(matlab genetic algorithm source code, the British agency Rumsfeld Toolbox)

一个c++ P2P聊天功能，文件传输实现代码，分为客户端和服务器端，对于新手有指导作用

说明：  基本粒子全算法求解函数最优，测试函数以及主程序，很适合新手进行学习(Fundamental Particle Full Algorithms for Function Optimization)

网络围棋对战的服务器端，可以统计在线人数、参战人数并可以进行排名。需要和客户端一起使用-Net GO server program. It can count how many pepole are online and the players are playing and ranks them. It needs to run the client program together.

分为服务器和客户端两部分，服务器与客户端建立连接后，自动给客户端发送文件,文件传输采用TCP/IP协议，使用CSoket套接字编程。

2.0说明 1.0支持系统的录音多种格式,有一定的延时,没有过滤杂音功能. 2.0已取消支持系统的录音多种格式,使用PCM采集数据G711A压缩格式(8000HZ单声道16位格式录音每秒以8K完成数据,16000HZ单声道16位格式录音每秒以11K完成数据,音质相当好),延时降低到最小100-500MS以内,不会随时间增加而增加延时(如果是说话测试一直保持200MS的延时,如果是用播放歌曲来测试,有自动校正延时功能,恢复成200MS的延时,恢复过程中不会中断歌曲的播放,只是小小加快唱歌的速度,听觉不会觉察出来),加入了过滤杂音功能. 2.0安装 将ACMG711.dll复制到系统文件夹里 再安装控件 -2.0 1.0 Note recording system to support multiple formats, a certain delay, no noise filtering function. 2.0 support system has been abolished recording formats, the use of PCM data acquisition G711A compression format (8000HZ 16 mono recording format to 8K per second complete data 16000HZ mono recording format 16 to 11K per second complete data quality is very good), Delay reduced to the minimum 100-500MS within not with time delay increases (if word has been tested 200MS delay, If it is used to test play the songs, the automatic correction function of delay, 200MS resume into the delay, the recovery process will not be interrupted play songs, singing just a small speed up

一般地，把三角形的三个角A，B，C和它们的对边a，b，c叫做三角形的元素。已知三角形的几个元素求其他元素的过程叫做解三角形。解三角形，常用到正弦定理和余弦定理和面积公式等。正弦定理a/sinA=b/sinB=c/sinC=2R（2R在同一个三角形中是恒(The Triangle software, wrote)

说明：  作为刚开始研究RNN 的小白，可以看RNN和LSTM的ｍａｔｌａｂ程序，本人刚开始学习 ，把找到的资源分享给大家。(As a novice who just started researching RNN, you can see the matlab program of RNN and LSTM. I just started to learn and share the resources I found.)