该脚本将 UCI（加州大学欧文分校）使用智能手机数据集的人类活动识别作为输入。 这是一组对 30 名受试者进行的一组实验，他们在佩戴智能手机的情况下进行六项活动（步行、爬星、步行、坐下和站立）。 实验测量（总共 561 个）涉及从手机记录的加速度计和陀螺仪数据。 该脚本输出一个文本表，总结每个主题和每个活动的这些测量值。 使用了两个原始数据集： 惯性数据集，包括三轴加速度和角速度时间序列，以 50 Hz 的速率采样。 这些是在每次活动期间为每个受试者获得的。 它们被用来生产以下产品： 一个包含 561 个元素的运动“特征”向量，即在时域和频域的间隙数据集上计算的变量。 数据集分为“训练”和“测试”集。 下载并解压缩数据集后（脚本运行必不可少），可以在以下目录中找到这些原始数据集： intertial datasets: test/Inertial Signals, train/In

matlab生成维纳过程代码NEURAL_py：python中的新生儿EEG功能集 复制NEURAL功能集版本的Python代码。 该代码用于从多通道EEG记录生成一组定量特征。 功能包括幅度测量，频谱测量和基本连接性测量（仅在半球范围内）。 同样，对于早产的脑电图（假设胎龄<32周），将从突发注释中生成特征（例如，最大突发间隔）。 爆发注释需要一个单独的程序包，该程序包也可在上获得。 有关方法的完整详细信息，请参见： JM O'Toole and GB Boylan (2017). NEURAL: quantitative features for newborn EEG using Matlab. ArXiv e-prints, arXiv:1704.05694 JM O'Toole and GB Boylan (2017). NEURAL: quantitative features for newborn EEG using Matlab. ArXiv e-prints, arXiv:1704.05694 JM O'Toole and GB Boylan (2017). NEU

这本书是创始人之一Osher写的，这本书是论述Level Set的最完整的书籍之一，更偏重于数值化的高精度解，应用领域涉及图像处理以及计算物理。

HashSet集合保证元素一致性

architecture-instruction-set-extensions-programming-reference

主要讲的是通过openVC来进行图像处理的知识

Oracle性能分析——使用set_autotrace_on和set_timing_on来分析select语句的性能.doc

sample set of reduce functions using on commutative test

运行环境为net-snmp5.7.3，对get、set操作的封装。可用于QT项目的SNMP开发

凸优化matlab代码轨迹凸可行集算法 这是用于运动规划实时优化的凸可行集算法的实现（Changliu et al.2018）（）。 我的项目合作伙伴（）和我还扩展了该算法，以为多个智能体生成优化的轨迹而不会发生碰撞。 该项目是宾夕法尼亚大学的一门课程，因此由于学术诚信政策，该代码无法公开显示。 我们在论文上的9页报告和扩展结果在这里（）链接，在下面的段落中，我将对该算法进行概述。 算法 凸可行集算法是一种用于解决具有凸目标函数和非凸约束的运动规划问题的快速算法。 它将非凸问题转化为一系列凸问题，并迭代求解。 它是通过在非凸域内找到凸可行集并将它们作为凸优化问题求解直到收敛而做到的。 本文中的这张图很好地形象化了此过程： 执行 在我们的实现中，我们将目标函数表述为二次函数，该函数对在规划范围内遵循给定轨迹所必需的加速度进行了惩罚。 这样就形成了平滑而短的轨迹，从而完全避免了障碍。 给定场景的最终轨迹可以在此处看到，其中灰色框是障碍物，细线是先前迭代的解，而收敛的解以黑色显示： 我们将CFS实现的性能与使用Matlab的fmincon的内部点方法进行了比较。 我们在两种不同的计划方案上测