免驱触摸屏在Linux多屏应用场景中的设置工具，基于gtk的图形界面，无需过多的依赖库，更适合新手使用；本工具调用xinput的map-to-output功能进行坐标映射，最终生成一个shell脚本；内含3个构架的二进制文件（x86_64，aarch64 / arm64，mips64el）支持多种基于Linux的国产化系统（麒麟、红旗、统信、深度）。

用多线程实现端口扫描，支持单个IP及IP段内的机器端口扫描，VC++　MFC实现。包括扫描进度，时间统计等,支持将扫描结果导出到txt

% 本文参照文献：Flocking for Multi-Agent Dynamic Systems:Algorithms and Theory clear; close all; clc; %% Parameters 初始化参数 num_agents = 100; t_gap=1; % 迭代间隔 queue_gap=15; % 队形间隔 queue_vy=12; queue_vx=13; queue_r=40; r_c=20; % 交互范围（半径） k=1.2; % 晶格的ratio d=r_c/k; % 晶格的scale(表示两两智能体之间的距离（论文中公式5）) v_0=2; % 初始速度 v_limit=0; % 最大速度 efs = 1; % sigma-norms parameter h=0.4; % 设置bump function的分割点（公式10） d_o = r_c; r_c_sigma = sigma_norm(r_c,efs); % r_c的σ范数 d_sigma = sigma_norm(d,efs); % d的σ范数 map_width = 400; % width of a squre map map_res = 0.5; % width of a grid to play obstacles pixel c1=0.2;c2=0.5;c3=0.2;c4=0.1;c5=10;c6=0.01; x = zeros(num_agents,2); % current position x_1 = zeros(num_agents,2); % previous position v_1 = zeros(num_agents,2); % previous velocity x_r0= zeros(num_agents,2); % x_r0：用来存储指定的队形信息 v_r_1st_point=300; path_num = zeros(1000,2,num_agents); v_r=[1,0];

多类别心脏疾病预测 使用ANN进行多个类别的心脏病预测

语言:English 多标签页新标签页 多标签页新标签页可让您快速访问最受欢迎的网站！ Chrome的“新标签”页的极简替代品。 **为了提供扩展功能，您的新标签设置将被修改。 点击“添加到Chrome”，即表示我接受并同意安装“ Multi Tab”并将Chrome:trade_mark:New Tab设置为该服务以及《最终用户许可协议》和《隐私权政策》中的其他支持或提供反馈，请访问我们在https://www.multi-tab.xyz/contact.html隐私政策：https://www.multi-tab.xyz/privacy-policy.html EULA：https://www.multi-tab.xyz/ eula.html

自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

交通流量预测项目 model 模型包 目前主要的用于执行预测的模型都存储在此仓库中，主要包含一下的类型 SVR及GA_SVR LSSVR及GA_LSSVR KNN_GA_LSSVM BP及BP_GA plot 绘图包 目前主要用于指定需要绘制的对象图表，以及对于数据图表的布局指定。 Line 线型图 Wireframe 线框图 data 数据包 目前主要用于指定数据处理的pipe流程，用于实现对于数据流程的预处理，以及输出等。 lib 基础库 构建程序所需的基础构件，包含但不限于程序元类包、程序类的基础原型、部分算法原型。 tasks 库 支撑了基础库中的任务执行流程，主要用于执行任务 列出可执行任务 python -m tasks list 执行任务操作 python -m tasks start ... 绘制图表 绘制流量预测

利用多标签对数据进行多分类，效果会有很大的改善，example里面是主程序，para的值自己给定。

多标签文本分类 Kaggle有毒评论挑战 随着可用数据的不断增加，迫切需要对数据进行组织，而现代分类问题通常涉及与单个实例同时关联的多个标签的预测。 这种称为多标签分类的任务就是这样的任务，它在许多现实世界中的问题中无所不在。 在这个项目中，以Kaggle问题为例，我们探索了多标签分类的不同方面。 该项目的鸟瞰图： 第1部分：多标签分类概述。 第2部分：问题定义和评估指标。 第3部分：探索性数据分析（EDA）。 第4部分：数据预处理。 第5部分：多标签分类技术。 有关此项目的详细博客，请参见[ ]

安全是充分利用卫星通信网络优势的保证。 本文在多波束卫星网络中考虑了物理层安全技术。 物理层安全性可能是提高卫星通信系统的抗拦截和抗检测能力的有效方法。 分析了物理层安全性在卫星通信中的必要应用。 讨论了波束形成和功率控制的多波束卫星网络下行链路物理层安全传输策略。 此外，分别讨论了信道模型和信号模型。 研究了一组用于评估多波束卫星网络中下行链路的性能指标。 作为定性和定量分析的一些指标为例。