emd的matlab代码 EMD-SA-DBN-for-Wind-speed-forecast （MATLAB CODE） Establishing a time series forecasting model for wind speed prediction based on DBN，Due to the autocorrelation of the wind speed sequence, the predicted value and the actual value lag, so EMD is used to decompose the wind speed sequence, and then the decomposed components are modeled in turn. To further mention accuracy, the simulated annealing algorithm is used to optimize the DBN。 (MATLAB代码)采用深度置信网络DBN建立风速预测的时间序列预测模型，由于数据本身的自相关性，导致得

MAYA-3D動畫軟體的強大布林運算外掛

High Speed Serdes Devices and Applications.7z

车辆速度检测 使用OpenCV检测车辆速度的简单python代码

谷歌浏览器视频倍速播放插件

谷歌插件video-speed-controller，可以实现最高16倍的播放速度。Video Speed Controller 视频速度调节，是一款可以将视频播放速度提高到最多16倍速的开源浏览器插件，目前只支持html5播放器的在线视频调速播放

大多数现代跟踪器的核心部件是识别分类器，其任务是区分目标和周围环境。为了应对自然图像的变化，这个分类器通常使用翻译和缩放的样本补丁进行训练。这样的样本集充满了冗余——任何重叠的像素都被限制为相同的。基于这个简单的观察，我们提出了一个分析模型的数据集的数千个翻译补丁。通过证明所得到的数据矩阵是循环的，我们可以用离散傅立叶变换对其进行对角化，从而将存储和计算都减少了几个数量级。有趣的是，对于线性回归，我们的公式相当于一些最快的竞争跟踪者使用的相关滤波器。然而，对于核回归，我们推导了一种新的核相关滤波器（KCF），它与其他核算法不同，具有与线性相关滤波器完全相同的复杂性。在此基础上，我们还提出了一种基于线性核的线性相关滤波器的快速多通道扩展，我们称之为双相关滤波器（DCF）。KCF和DCF在50个视频基准测试中都优于诸如strike或tld之类的顶级追踪器，尽管它们以每秒数百帧的速度运行，并且在几行代码中实现（算法1）。为了鼓励进一步的发展，我们的跟踪框架是开源的。

SFF-TA-1016 Specification for Internal Unshielded High Speed Connector System

带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

阻尼最小二乘法matlab代码预测风速 准备资料 用于训练的数据集是从伦敦气象数据获得的。 我已经准备好Excel工作表中的数据，并在MATLAB中以矩阵形式读取数据。 数据中有很多功能，我需要选择相关数据进行培训。 特定时期内的温度和平均温度等特征是重要特征。 我排除了诸如风向和阵风等特征，因为这些特征与风速的相关性最小。 数据中没有显示的另一个重要功能，但我添加的是数据的月份，因为季节对风速有重大影响。 最后，所有功能都集成在excel工作表中并从MATLAB中读取。 训练 我使用的数据集有5个要素作为输入。 使用“ fitnet”功能生成神经网络。 在我们的代码中，fitnet函数训练一个神经网络，该神经网络具有两个隐藏层以及输入和输出层。 网络的第一层有5个神经元，它充当输入层，并向其提供了样本数据的矢量。 引入了两个分别具有10和5个神经元的隐藏层，以使网络能够学习数据集中的复杂数学关系。 我已使用LM反向传播方法进行训练。 Levenberg-Marquardt算法（也称为阻尼最小二乘方法）经过专门设计，可与采用平方误差总和形式的损失函数配合使用。 考虑一个损失函数，它可以