AutoJs源码-高德地图经纬度求实际距离(1)(1)。本资源购买前提醒:本源码都是实际autojs项目模板,安装好autojs直接运行即可打开。1、支持低版本autojs。2、资源仅供学习与参考,请勿用于商业用途,否则产生的一切后果将由您自己承担!。3、安装过程详见具体资源,不会使用autojs谨慎下载
2022-11-20 07:23:44 2KB Resource
1
1、实现效果:《基于凸包检测和重心距离法的指尖检测和识别》见链接:https://blog.csdn.net/SoaringLee_fighting/article/details/124936620 2、内容介绍:在大学毕业设计的时候,课题要求实现《基于凸包检测和重心距离法的指尖检测和识别》,采用Python语言和CV库实现,检测效果还不错。 3、适用人群:适用于计算机,电子信息工程等专业的大学生课程设计和毕业设计。 4、支持答疑:有问题可以订阅博主的《实用毕业设计》专栏(附链接 :https://blog.csdn.net/soaringlee_fighting/category_9288245.html)或者直接购买资源后咨询博主。 5、质量保证:完整代码,可直接运行!里面包含说明文档。
2022-11-18 19:26:44 17.29MB 毕业设计 课题设计 指尖识别 python
各国文化距离——Hofstede的文化维度数据.xls
2022-11-17 11:25:36 35KB 数据 模型
开关电源电路在电气间隙和爬电距离检测中的常见不合格案例
2022-11-15 22:37:58 1.66MB 开关电源电路 电气间隙 爬电 距离检测
1
本国标材料主要介绍 医用电气设备安全通用要求,为保护患者、操作者及环境所提供的安全要求。帮助从事医疗行业电路设计时参考,主要参数在本资料的第5页。望仔细阅读。
2022-11-15 22:19:56 1.97MB 电子、电气安全、医疗电子
1
本文从安规距离基本定义入手,解析了IEC60950、GB4943-2011标准中的爬电距离和电气间隙的查询方法并描述了工作电压测试规范,针对实测电压波形图进行了分析与计算。从理论解析到实例分析,一步到位让你轻松了解开关电源的安规间距。 基本概念 在IEC60950、GB4943-2011标准中,规定了不同电压等级需要的安全距离,而安全距离又包括电气间距和爬电距离两种。对于开关电源主要需要保证安全距离的地方有以下两个方面: 1、 侧电路对外壳(保护地)的安全距离; 2、 侧电路对二次侧电路之间的安全距离。 电气间隙 电气间隙
2022-11-15 22:14:04 221KB 安规之电气间距和爬电距离
1
对GB4943_2001中电气间隙和爬电距离要求的理解对GB4943_2001中电气间隙和爬电距离要求的理解
2022-11-15 22:10:07 259KB GB4943 2001 电气间隙 爬电距离
1
通过对车辆换道时车辆的运动轨迹的分析,以最小安全距离MSD(minimum safety distance)作为安全换道的目标,以避免车辆发生碰撞的临界条件为前提,分别建立了双车道环境下换道车辆与其周围车辆之间的最小安全距离换道模型。在车辆换道过程中,对与换道相关联车辆的运动状态进行了详细的分析,给出了换道车辆与关联车辆之间各种可能的碰撞形式,并充分考虑了换道车辆完成换道后的跟驰安全性,既能够较好地保障车辆换道的安全性,又能提高道路的使用效率。最后,借助Matlab仿真软件,以最小安全距离换道模型为理论基
2022-11-15 10:46:31 355KB 自然科学 论文
1
NULL 博文链接:https://biansutao.iteye.com/blog/326008
2022-11-13 16:08:00 603B 源码 工具
1
超级马里奥兄弟的深度强化学习 描述 背景信息:超级马里奥兄弟(SMB)是一款流行的动作游戏,具有“真实的”环境和广阔的状态空间,是设计可玩计算机游戏的强化学习代理的理想平台。 该代理要求与世界上的各种对象和障碍进行交互,以鼓励采用知识丰富的学习方法。 方法-我们使用了OpenAI Gym提供的框架。 超级马里奥兄弟体育馆并从游戏环境中提取了信息,以使用PPO训练RL特工。 我们还向环境引入了预处理方法,例如帧缩放,随机跳帧,帧堆叠和噪声网,以提高代理的性能。 通过引入回滚操作来提高训练的稳定性,可以创建PPO的变体。 结果:该方法成功地训练了能够在20个小时的训练后完成水平的特工。 我们成功实现了一种方法,该方法可以比常规PPO实施更好地执行,在不应用数据预处理的情况下性能提高了50%,在应用数据预处理的情况下性能提高了10%。 工具 Pytorch已被用作主要的机器学习库 由于SMB
2022-11-09 22:52:04 18.11MB reinforcement-learning Python
1