学习“软件工程”的目的和意义 学会如何在现代IT企业的环境中做一个成功者； 学会如何做世界级的、高质量的研究； 学会如何创建大规模的软件产品。 —— 微软全球资深副总裁 原微软亚洲研究院院长 首席科学家 张亚勤

操作系统实验 文档+实验目的+原理+内容+结果+小结 采用可变式分区管理，使用首次获最佳适应算法实现内存分配与回收 学会可变式分区管理的原理是即在处理作业过程中建立分区，使分区大小正好适合作业的需要，并且分区个数是可以调整的。 、当有一个新作业要求装入主存时，必须查空闲区说明表，从中找出一个足够大的空闲区没有时应将空闲区一分为二。为了便于快速查找，要不断地对表格进行紧缩，即让“空表目”项留在表的后部。 当一个作业执行完成时，作业所占用的分区应归还给系统。作业的释放区与空闲区的邻接分以下四种情况考虑： ① 释放区下邻（低地址邻接）空闲区； ② 释放区上邻（高地址邻接）空闲区 ③ 释放区上下都与空闲区邻接； ④ 释放区与空闲区不邻接。

程序设计 二叉排序树 整个程序和流程图等 课题研究的目的和意义 可行性论证 课题总体设计方案 模块划分 数据结构 若干关键技术及设计结果 、结果分析 心得体会 参考文献

matlab的欧拉方法代码二维热扩散有限差分法 该项目的目的是使用有限差分法求解二维热方程。 这是一个MATLAB代码，可以解决不同的材料，例如（铜，铝，银等），或者允许用户通过输入导热系数，比热和密度来添加自己的材料。 可以应用许多随时间固定的“狄利克雷条件”的边界条件。 它还解决了印版的稳态温度，并告诉用户该印版达到该稳态所需的时间，并且用户选择了误差容限。 解决方案的精度将主要取决于在网格划分和开始迭代求解之前也可以选择的x和y方向上的节点数。 该代码可以用两种方式（Euler和二阶Runge-Kutte）以及具有中心有限差分的空间导数求解方程的时间导数部分。最后，在求解之后，时间上的图形模拟似乎表明了热量如何扩散到整个过程中在所选时间间隔内的板块。

NestJS REST API网关+ gRPC微服务 这个项目是一个包含一个REST API网关和后端微服务，所有这些均使用NestJS Framework和TypeScript编写。 该项目仅用于学习/试用目的。 架构概述 REST API充当其公开的不同微服务的网关/代理。 REST API的控制器调用后端的gRPC服务器/微服务。 然后，gRPC微服务会处理请求以连接到数据库或它为服务请求所需的任何其他服务。 图表 架构图如下所示。 设计模式 该体系结构实现了以下微服务设计模式： 层数 API层 充当该体系结构的API层。 它负责侦听客户端请求并调用适当的后端微服务来实现它们。 微服务层 选择了gRPC作为执行微服务的框架。 协议缓冲区用作客户端（REST API）和服务器（gRPC微服务）之间的数据交换格式。 NestJS仍然是用于创建gRPC微服务的框架。 持久层 Postg

基于LSTM的流量预测 该项目旨在通过的前端，将LSTM用于流量预测。 超参数优化用于查找网络的最佳参数集。 用法 跑步： pip install -r requirements.txt 然后编辑以便它使用您自己的网络参数。 它将尝试将超参数结果存储在mongodb中。 您可以使用查看它们。 请记住，这仅用于实验，不适用于生产。 使用以下命令运行： python main.pymain.py CSV格式应为以下格式： timestamp,16,17,18,19,20,21 2011-12-31 23:55:00,4,6,8,13,3,0 2012-01-01 00:00:00,

这是使用 2 种技术的基于内容的图像检索的简单演示。 1.使用knn进行图像检索2.使用svm进行图像检索。 注意：请按照以下步骤操作，以避免常见错误。 1.转到以下链接http://wang.ist.psu.edu/docs/related/ 并下载 100 张测试图像 zip 文件 2. 将 zip 文件中的图像解压缩到 ImageRetrieval/images 文件夹并覆盖该目录中先前存在的任何现有图像 3. 为了进行任何查询，您将被要求首先加载数据集。 不用担心该目录包含完整的 dataset.mat 文件，您可以加载该文件然后启动您的查询。 也可以从github下载源代码： https : //github.com/kirk86/ImageRetrieval

对伪逆矩阵进行因式分解以求解正规方程： A*x = b 与MATLAB pinv相比，伪逆有两个优点： - PINV 需要昂贵的 SVD - PINV 不适用于稀疏矩阵。 解 x 最小化残差 |Ax - b| 的 2-范数。 在欠定系统的情况下，即 rank(A) < length(x)，pseudoinverse(A)*b 返回的解是所有解中最小的 2-norm。 请注意，如果使用反斜杠运算符，则此属性*不*满足：x = A\b。 方法：对源空间和目标空间都使用 QR 分解。 分解后的结果存储在 object 中，稍后可用于与任何目标空间向量 (RHS) 相乘。 灵感来自 FACTORIZE http://www.mathworks.com/matlabcentral/fileexchange/24119

SOM 异常检测 这个 Python 模块提供了一个非常简单但高效的 Kohonen 自组织映射实现，用于异常检测目的。 该想法基于以下论文： Tian, J., Azarian, MH, Pecht, M. (2014)。 使用基于自组织图的 K 近邻算法进行异常检测。 欧洲预后与健康管理学会会议论文集。 算法简单描述 在一组正常数据（可能包含一些噪声或异常值）上训练某个维度的自组织图。 SOM 中的每个节点，计算映射到该节点的训练向量的数量，假设我们称这个数字为degree 。 删除所有度数小于某个阈值的节点。 对于要评估的数据中的每个观察，执行 k-NN wrt。 SOM 节点。 并计算到找到的节点的平均距离。 这是异常度量。 订购评估数据wrt。 到异常度量。 如何安装 安装可以通过执行： git clone https://github.com/FlorisHoog

盈利能力分析的内涵与目的.docx