题目：蜗牛爬树 问题描述： 有k个蜗牛，各有它们不同的爬行速度，通常都是从树根向上爬，若树高为h米，如第i只蜗牛按它的速度每次向上爬ni米，向下滑mi米． 试输出每只蜗牛直到爬到树顶的过程中爬过每一米线经过的次数 。 统计树的每一米线都有多少次蜗牛爬过。 要求： 1. 采用链表实现． 2. 采用顺序栈实现 3. 哪只蜗牛爬得最快，请输出它的爬行速度规律。

实验目的 （1）掌握Cohen-Sutherland直线段裁剪算法的直线段端点编码原理。 （2）掌握“简取”、“简弃”和“求交”的判断方法。 （3）掌握直线段与窗口边界交点的计算公式。 实验结果 （1）在屏幕中心建立二维坐标系Oxy,x轴水平向右为正，y轴垂直向上为正。 （2）以屏幕客户区中心为中心绘制矩形线框图，以此代替裁剪窗口，线条颜色自定义。 （3）工具栏上的“绘图”按钮有效，拖动鼠标绘制直线。 （4）使用“裁剪”按钮对窗口内的直线段进行裁剪并在窗口内输出裁剪后的直线段。

内容概要：把图形的填充转换为扫描线从上往下扫描填充，这时我们只需要判断每一条扫描线与图形的交点，而我们可以根据扫描线的连贯性，对交点进行排序，第1个点与第2个点之间，第3个点与第4个点之间..... 依照此原理可以对图形进行扫描线算法扫描转换多边形，其中在判断上述交点时，还会出现扫描线与边重合、扫描线与边的交点为顶点等现象。 目的： 1理解多边形填充的目的 2掌握多边形的各种填充算法 3动态链表的排序算法

电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负 荷、经济状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷 做出预测。负荷预测是电力系统规划与调度的一项重要内容。短期（两周以内） 预测是电网内部机组启停、调度和运营计划制定的基础；中期（未来数月）预测 可为保障企业生产和社会生活用电，合理安排电网的运营与检修决策提供支持； 长期（未来数年）预测可为电网改造、扩建等计划的制定提供参考，以提高电力 系统的经济效益和社会效益。 复杂多变的气象条件和社会事件等不确定因素都会对电力系统负荷造成一 定的影响，使得传统负荷预测模型的应用存在一定的局限性。同时，随着电力系 统负荷结构的多元化，也使得模型应用的效果有所降低，因此电力系统负荷预测 问题亟待进一步研究。

广工JAVA第三次作业，山寨记事本的实现，完美代码+完美课程设计报告，只要改个名字就能交！

对于指纹的特征提取包含几个步骤，脊线增强、脊线分割、脊线细化、细节点检测和细节点验证，本次大作业需要针对已经增强的指纹图片进行后续几个步骤，通过多种形态学算法进行分割、细化、细化后处理，找到其中的端点和分叉点，而指纹周边的伪细节点需要被去除。

软件主要实现的功能是在最少的人为干预下创作一首短曲，并将其播放。目前市面上的音乐生成器，大多是基于Simple RNN和谷歌开发的WaveNet实现的，然而由于模型的局限性，使用这两种模型生成出的音乐同质化严重，听感欠佳。为了改进上述不足，提高生成音乐的质量，本组准备在软件的核心部分采用LSTM（长短期记忆网络，Long Short-Term Memory）模型。

功能上需实现对一幅树叶照片的面积和周长识别，原理是用对比方法， 摘取一树叶（如枫叶 ），在枫叶上方一个 1cm*1cm 的参照（参照大小、形状可 自己设置），根据图像处理的各类算法在 Matlab 上处理该照片，计算出待测叶子 的周长和面积。有关植物生长情况的众多信息都与叶片的面积、长宽等参数有着密不可分的联系。掌握植物叶片的生长规律，对于指导生产、制定高产优质高效栽培技术措施具有积极的意义。叶片参数对植物的生长发育等众多生命活动影响深远，因此如何科学地测定叶片的几何特征参数很有意义。

本次实验提供六个类别的垃圾识别分类数据集，分别是glass、cardboard、metal、paper、plastic、trash。本次实验是基于卷积神经网络模型来完成六个类别垃圾分类。 目前垃圾分类已经在许多城市开展起来。这看似微不足道的“小事”，实则关系到13亿多人生活环境的改善，理应通过人工智能技术来大力提倡社会风气养成。本次实验提供六个类别的垃圾识别分类数据集，分别是glass、cardboard、metal、paper、plastic、trash。本次实验是基于卷积神经网络模型来完成六个类别垃圾分类。 2.任务要求 每位同学单独完成；建立神经网络模型，并尽可能将其参数调优到最佳状态；绘制深度学习模型图、绘制并分析学习曲线等；分析模型并试着调试不同学习率等超参数对模型的结果影响 ；使用Python语言。 3.实验方法 卷积神经网络 （Convolutional Neural Network, CNN）是一种结构类似于人类或动物的 视觉系统 的人工神经网络，包含一个或多个卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Full

该系统实现了基于深度框架的语音识别中的声学模型和语言模型建模，其中声学模型包括CNN-CTC、GRU-CTC、CNN-RNN-CTC，语言模型包含transformer、CBHG，数据集包含stc、primewords、Aishell、thchs30四个数据集。 本项目现已训练一个迷你的语音识别系统，将项目下载到本地上，下载 thchs 数据集并解压至 data，运行 test.py，不出意外能够进行识别，结果如下： the 0 th example. 文本结果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xian1 huo2 xiu4 mei4 shi1 yi4 ang4 ran2 原文结果： lv4 shi4 yang2 chun1 yan1 jing3 da4 kuai4 wen2 zhang1 de di3 se4 si4 yue4 de lin2 luan2 geng4 shi4 lv4 de2 xi