2021金融监管/银保监 计算机类真题

package com.map; public class GPSConverterUtils { public static final String BAIDU_LBS_TYPE = "bd09ll"; public static double pi = 3.1415926535897932384626; public static double a = 6378245.0; public static double ee = 0.00669342162296594323; /** * 84 to 火星坐标系 (GCJ-02) World Geodetic System ==> Mars Geodetic System * 天地图 转 火星 * @param lat * @param lon */ public static GPS gps84_To_Gcj02(double lat, double lon) { if (outOfChina(lat, lon)) { return null; } double dLat = transformLat(lon - 105.0, lat - 35.0); double dLon = transformLon(lon - 105.0, lat - 35.0); double radLat = lat / 180.0 * pi; double magic = Math.sin(radLat); magic = 1 - ee * magic * magic; double sqrtMagic = Math.sqrt(magic); dLat = (dLat * 180.0) / ((a * (1 - ee)) / (magic * sqrtMagic) * pi); dLon = (dLon * 180.0) / (a / sqrtMagic * Math.cos(radLat) * pi); double mgLat = lat + dLat; double mgLon = lon + dLon; return new GPS(mgLat, mgLon); } /** * * 火星坐标系 (GCJ-02) to 84 * * @param lon * @param lat * @return *火星转天地图 */ public static GPS gcj_To_Gps84(double lat, double lon) { GPS gps = transform(lat, lon); double lontitude = lon * 2 - gps.getLon(); double latitude = lat * 2 - gps.getLat(); return new GPS(latitude, lontitude); } /** * 火星坐标系 (GCJ-02) 与百度坐标系 (BD-09) 的转换算法 将 GCJ-02 坐标转换成 BD-09 坐标 *火星转百度 * @param gg_lat * @param gg_lon */ public static GPS gcj02_To_Bd09(double gg_lat, double gg_lon) { double x = gg_lon, y = gg_lat; double z = Math.sqrt(x * x + y * y) + 0.00002 * Math.sin(y * pi); double theta = Math.atan2(y, x) + 0.000003 * Math.cos(x * pi); double bd_lon = z * Math.cos(theta) + 0.0065; double bd_lat = z * Math.sin(theta) + 0.006; return new GPS(bd_lat, bd_lon); } /** * * 火星坐标系 (GCJ-02) 与百度坐标系 (BD-09) 的转换算法 * * 将 BD-09 坐标转换成GCJ-02 坐标 * * @param * 百度转火星 * * bd_lat * @param bd_lon * @return */ public static GPS bd09_To_Gcj02(double bd_lat, double bd_lon) { double x = bd_lon - 0.0065, y = bd_lat - 0.006; double z = Math.sqrt(x * x + y * y) - 0.00002 * Math.sin(y * pi); double theta = Math.atan2(y, x) - 0.000003 * Math.cos(x * pi); double gg_lon = z * Math.cos(theta); double gg_lat = z * Math.sin(theta); return new GPS(gg_lat, gg_lon); } /** * (BD-09)-->84 * 百度转天地图 * * @param bd_lat * @param bd_lon * @return */ public static GPS bd09_To_Gps84(double bd_lat, double bd_lon) { GPS gcj02 = bd09_To_Gcj02(bd_lat, bd_lon); GPS map84 = gcj_To_Gps84(gcj02.getLat(), gcj02.getLon()); return map84; } /** * is or not outOfChina * @param lat * @param lon * @return */ public static boolean outOfChina(double lat, double lon) { if (lon < 72.004 || lon > 137.8347){ return true;} if (lat < 0.8293 || lat > 55.8271){ return true;} return false; } public static GPS transform(double lat, double lon) { if (outOfChina(lat, lon)) { return new GPS(lat, lon); } double dLat = transformLat(lon - 105.0, lat - 35.0); double dLon = transformLon(lon - 105.0, lat - 35.0); double radLat = lat / 180.0 * pi; double magic = Math.sin(radLat); magic = 1 - ee * magic * magic; double sqrtMagic = Math.sqrt(magic); dLat = (dLat * 180.0) / ((a * (1 - ee)) / (magic * sqrtMagic) * pi); dLon = (dLon * 180.0) / (a / sqrtMagic * Math.cos(radLat) * pi); double mgLat = lat + dLat; double mgLon = lon + dLon; return new GPS(mgLat, mgLon); } public static double transformLat(double x, double y) { double ret = -100.0 + 2.0 * x + 3.0 * y + 0.2 * y * y + 0.1 * x * y + 0.2 * Math.sqrt(Math.abs(x)); ret += (20.0 * Math.sin(6.0 * x * pi) + 20.0 * Math.sin(2.0 * x * pi)) * 2.0 / 3.0; ret += (20.0 * Math.sin(y * pi) + 40.0 * Math.sin(y / 3.0 * pi)) * 2.0 / 3.0; ret += (160.0 * Math.sin(y / 12.0 * pi) + 320 * Math.sin(y * pi / 30.0)) * 2.0 / 3.0; return ret; } public static double transformLon(double x, double y) { double ret = 300.0 + x + 2.0 * y + 0.1 * x * x + 0.1 * x * y + 0.1 * Math.sqrt(Math.abs(x)); ret += (20.0 * Math.sin(6.0 * x * pi) + 20.0 * Math.sin(2.0 * x * pi)) * 2.0 / 3.0; ret += (20.0 * Math.sin(x * pi) + 40.0 * Math.sin(x / 3.0 * pi)) * 2.0 / 3.0; ret += (150.0 * Math.sin(x / 12.0 * pi) + 300.0 * Math.sin(x / 30.0 * pi)) * 2.0 / 3.0; return ret; } }

考试类精品--立志在线学习系统，是基于java+vue开发的在线教育平台，将开发PC、小程序、手机端，集成RABC权

1.本项目专注于解决出国自驾游特定场景下的交通标志识别问题。借助Kaggle上的丰富交通标志数据集，我们采用了VGG和GoogLeNet等卷积神经网络模型进行训练。通过对网络架构和参数的巧妙调整，致力于提升模型在不同类型交通标志识别方面的准确率。 2.项目运行环境包括：Python 环境、Anaconda环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。项目使用德国交通标志识别基准数据集(GTSRB)，此数据集包含50000张在各种环境下拍摄的交通标志图像；模型构建包括VGG模型和GoogLeNet模型简化版深度学习模型，MiniGoogLeNet由Inception模块、Downsample模块和卷积模块组成，卷积模块包括卷积层、激活函数和批量归一化；通过随机旋转等方法进行数据增强，选用Adam算法作为优化算法，随着迭代的次数增加降低学习速率，经过尝试，速率设为0.001时效果最好。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/135080491

该日志类优点： 1. 自动生成日志目录，以时间生成日志文件，避免重复； 2. 有临界排斥，多线程安全使用； 3. 日志分级别，控制输出等级； 4. 使用简单。

FolderDlg打开文件夹类 选择文件夹

matlab改变代码颜色MDL4OW 的源代码和注释： 刘胜杰，石谦和张良培。 使用多任务深度学习的未知类的少量快照高光谱图像分类。 IEEE TGRS，2020年。 接触： 代码和注释在此处发布，或检查 概述 普通：错误分类道路，房屋，直升机和卡车 以下是正常/封闭式分类。 如果您熟悉高光谱数据，您会发现培训样本中未包含某些材料。 例如，对于上方的图像（萨利纳斯山谷），道路和农田之间的房屋无法分类为任何已知类别。 但是，深度学习模型仍然必须分配标签之一，因为从不教它识别未知实例。 我们的工作：用黑色掩盖未知的事物 我们在这里所做的是，通过使用多任务深度学习，使深度学习模型具有识别未知事物的能力：那些被黑色掩盖的事物。 对于上方的图像（萨利纳斯山谷），农田之间的道路和房屋已成功识别。 对于下图（帕维亚大学校园），直升机和卡车被成功识别。 钥匙包 tensorflow-gpu==1.9 keras==2.1.6 libmr 在Windows 10的Python 3.6上测试 推荐Anaconda，Spyder 如何使用 高光谱卫星图像 输入图像的大小为imx×imy×通道。 卫星图像是标

GeoTools 笔记(https://blog.csdn.net/u010945668/article/details/123094210) 所使用的工具类。

我们讨论了在LHC观察到的125 GeV自旋奇偶校验0+希格斯样玻色子的判别，该玻色子衰减为两个光子H→γγ，这与最小耦合JP = 2 +窄双光子共振且质量相同且 在峰值下给出相同数量的信号事件。 作为分析的基本观察结果，我们将双光子静止框架中产生的光子的极角的余弦的中心-边缘不对称ACE应用于区分所测试的自旋假设。 我们表明，中心-边缘不对称ACE应该对自旋0和自旋2的引力子耦合可能性提供强有力的区分，这取决于自旋2信号的qq产生比例，达到CLs <10 fqq = 0时为-6。 实际上，对于fqq <0.4，ACE有潜力比现有分析做得更好。