在该项目中，使用自适应神经模糊推理系统 (ANFIS) 解决了 2R 平面机器人的逆运动学问题。 此代码包括 2-DOF 平面机器人的动画。

机器人抢点PointCloud 主要使用open3d，修改了registration的ransac部分源码 本人毕设使用RGBD相机的机器抓取，陆续更新 漏洞 可视化时遇到RunTimeError：GLFW错误，open3d github问题里有人试了设置python使用n卡，可解决报错卡退问题。 编译open3d二进制时cmake错误：缺少pybind11Target.cmake，手动编译pybind11源码，将编译得到的此文件复制到对应位置即可暂时解决问题，根治问题应该需要修改cmake生成文件相关代码。 open3d源码修改： ransac跳出条件，当达到一定fitness和rmse时跳出 class RegistrationResult（）默认构造函数中修改fitness和rmse重新设置值

这是一个关于模糊控制在matlab中应用的教材，很容易上手和理解，对于学习模糊控制有很大的帮助

vs运行matlab代码使用MMSE标准对毫米波系统进行混合波束形成 介绍 Matlab仿真代码，用于使用MMSE准则进行毫米波系统的混合波束成形。 该论文于2019年1月发表在IEEE通信事务上。如果这些代码对您的工作有所帮助，您可以选择引用该论文，而不是必需的。 可以在以下位置找到本文的pdf文件： IEEE链接： Arxiv链接：。 另外，我建议我的最新工作是使用深度学习解决HBF设计问题。 这项工作可以参考 IEEE链接： Arxiv链接： 并且所有代码都在打开。 我仅针对窄带情况更新代码，但对宽带的扩展非常简单。 可以参考我的另一个名为“ August_mmwave”的存储库。 但是，后者的格式不好，因此不易阅读。 我现在没有足够的时间，所以也许将来会更新。 如何使用 这段代码确实是要使用的。 首先，您应该将所有软件包全部添加到路径中，以便可以使用这些功能。 然后，直接运行main_vs_SNR.m文件。 内容 这些代码包括我的论文中提到的几种算法，这些便捷的API都可以轻松引用所有这些算法。 结尾 由于时间限制，我最近不会更新它。 但是，如果您有任何问题，可以直接通过电子邮

乳腺癌预测应用程序使用 Flask-Python 在乳腺癌威斯康星州数据集上建立机器学习模型来预测癌症是良性还是恶性。 定义问题陈述 我们的主要目标是使用 Flask API 构建一个应用程序并部署在 Heroku 上以对乳腺癌是良性还是恶性进行分类。 使用此链接访问完整项目的文件夹 此文件夹包含连接到这 5 部分文章的 Python 代码： | | | | 通过这段代码，我们将学习： 如何在 Heroku 上使用 Flask API 部署模型？ 数据来自威斯康星癌症数据集。 该数据由威斯康星大学麦迪逊分校的医院和William H. Wolberg博士收集。 阅读更多 与我联系

在R上使用Facebook进行分析 使用R编程语言通过Graph API对从Facebook获得的社交数据进行数据分析和自然语言处理。 该项目根据人的社交活动以及语言或单词使用情况绘制图表。 还进行了基于极性和情感的情感分析，并绘制了图表。

这是一组 2000 个随机生成的 k 臂老虎机k = 10 的问题。对于每个强盗问题，动作值， q*(a), a = 1,2 .... 10, 是根据均值为 0 的正态（高斯）分布选择的，并且方差 1. 然后，当应用于该问题的学习方法在时间步长 t 选择动作 At 时， 实际奖励 Rt 选自均值为 q*(At) 且方差为 1 的正态分布。 对于任何学习方法，我们都可以衡量它的性能和行为，因为它随着经验的增加而改进应用于其中一个老虎机问题时的 1000 个时间步。 这构成了一次运行。 重复这个对于 2000 次独立运行，每次运行都有不同的老虎机问题，我们获得了学习的度量算法的平均行为。 我们使用样本平均技术进行动作价值估计，并通过绘制 2000 次模拟的平均奖励来比较贪心算法的结果。 也可以针对非贪婪算法修改代码。

此外，你也可以使用System Verilog来替代testbench，这样效率会更高一些。如果你是做IC验证的，就必须掌握System Verilog和验证方法学（UVM）。

本示例利用一些代码来制作基于3D CAD的聚变React堆模型，以用于OpenMC仿真。 该模型是具有反射面的90度扇形模型。 该基于CadQuery 2和用于制作3D模型 使用带有DAGMC插件的Trelis / Cubit将CAD模型转换为h5m文件 用来制作3D html图像 使用Jupyter-cadquery和Python进行添加的Jupyter实验室用于制作python笔记本文件。

这是介绍的TAC-GAN模型的Tensorflow实现。 文本条件辅助分类器生成对抗网络（TAC-GAN）是一种文本到图像的生成对抗网络（GAN），用于从文本描述中合成图像。 TAC-GAN在 -GAN的基础上，通过将生成的图像置于文本描述而不是类标签进行调节。 在提出的TAC-GAN模型中，基于噪声矢量和另一个包含文本描述的嵌入式表示的矢量来构建生成网络的输入矢量。 尽管鉴别器类似于AC-GAN的鉴别器，但在进行分类之前，它也得到了增强，可以接收文本信息作为输入。 为了将图像的文本描述嵌入到矢量中，我们使用了 以下是TAC-GAN模型的体系结构 先决条件 以下是一些重要的依赖项，其余的可以使用requirements.txt安装 的Python 3.5 ：用于跳过思想向量 ：用于跳过思想向量 ：用于跳过思想向量 建议使用虚拟环境来运行此项目，并通过使用文件在其中安装所需的依赖