计算逻辑斯蒂映射的最大李雅普诺夫指数,程序简单可靠
2022-05-18 10:13:24 2KB logistic
1
2.5.2纹理映射基本思想 纹理映射以多幅图像为基础,需要解决的问题是如何将存在于不同图像中的纹理信息组织起来。 这就需要将图像中的有用信息提取出来, 用一张纹理图像进行表示。这部分工作通 常包含两个步骤:第一步是建立几何模型 与纹理图像间的对应关系;第二步是根据 对应关系合成纹理图像。 图 纹理像素映射过程
2022-05-17 09:22:23 4.22MB shexiangtou
1
离散超混沌映射及其在图像加密的应用,基于混沌系统的图像加密,PDF源码
2022-05-17 08:41:50 2.2MB
【BP预测】基于Tent混沌映射原子搜索算法优化BP神经网络实现数据回归预测附matlab代码
2022-05-15 23:28:31 704KB
1
Netapp ontap 命令行界面 c-mode映射至7-mode命令比对大全 包含C-mode 与7-mode相关的命令说明与映射。针对新老版本的更新与操作,建议使用该命令手册进行对比,选择合适的命令。
2022-05-15 13:00:36 602KB netapp 联想凌拓 ontap C-mode
在已有“均值估计方法”基础上提出了一种针对一维离散混沌映射的参数估计方法,该方法充分利用了混沌信号的各态历经性和同步参数敏感性的特点,它对一维离散混沌映射的估计精度比“均值估计方法”高。最后通过对Chebyshev和Tent这两种典型一维离散混沌映射进行数值仿真来验证本文方法的有效性。
1
灰色评价法、模糊综合评价等需确定隶属函数、各指标权重,明显受人为因素的影响。尝试应用神经网络技术进行网络安全的综合评价,并通过在单指标评价标准范围内随机取值方法,生成建立神经网络模型所需的训练样本、检验样本和测试样本,在遵循BP网络建模基本原则和步骤的情况下,建立了可靠、有效的网络安全综合评价模型。16个实例研究表明:提出的样本生成方法、建模过程是可靠的,并能有效地避免出现“过训练”和“过拟合”现象,建立的BP模型具有较好的泛化能力,不受人为因素的影响,各评价指标与网络安全等级之间存在明显的非线性关系,网络安全策略对网络安全的影响最大。
2022-05-14 21:34:35 1.67MB 论文研究
1
功能信息: (1) 支持公网(如阿里云)映射访问 (2) 支持本地作为服务器提供全局服务或私有服务 (3) 支持Webdav文件管理功能(https),随时随地共享本地文件 (4) 支持私有云管理,将本地文件映射成阿里云等公网访问 (5) 支持用户登陆功能(用户名:admin, 默认密码:tf12345678),127.0.0.1本地回环访问将直接登陆 (6) http代理功能(用户名和密码设置可选) (7) 支持centos7、ubuntu18和windows10系统 (8) 浏览器管理本地文件管理 (9) 新增本地文件管理功能-收藏和分享链接 (10) 支持树莓派 (11) 支持手机端浏览器操作 (12) 支持常见的文件、视频、文档pdf使用浏览器在线预览 (13) 支持socks5代理功能 更新日志: v1.4.2 (1) 禁止Webdav用户可以登陆管理页面 v1.4.1 (1) 修复windows使用socks代理失败问题 v1.4.0 (1) 新增socks5代理服务功能 (2) 优化PC页面配置显示 (3) 修复本地文件管理权限问题 v1.3.0-b
1
该库主要用于高精度校正,总共三个文件CaliGrid.h、GridCailLib.dll、GridCailLib.lib 应用:如XY运动平台的高精度校正,图像校正,各种二维坐标系间的转换。 作用:用于求解两个坐标系之间的转换关系,求得之后,坐标1和坐标2便形成一个高精度的映射关系。 应用Demo是用VS2010 MFC写的 需要输入的数据:两个坐标系的M行N列坐标数据
1
matlab有些代码不运行色调映射的图像质量指数-修订 Travis CI:信号量:CircleCI:AppVeyor: 工作服:Codecov:代码气候: 这是色调映射图像质量指数的Python3重新实现。 此实现与Matlab原始版本有显着差异,并且它们产生不同的结果! 原始文章可以在这里找到: Matlab中的参考实现: 原始源代码未指定许可证,只是应引用该代码并应引用原始论文。 我将此重新实现置于AGPLv3许可下,希望这与最初的意图兼容。 测试照片是我拍摄的,我将它们捐赠给了公共领域。 偏差 我不同意原始文章中的一些实现选择,例如 块处理期间的零填充 输入图像动态范围的重新缩放 (也许还有其他,尚不确定) 这些导致不同的TMQI得分,因此原始文章和此实现中的值不可比较。 选择其中之一之前,请务必小心。 您可以使用适当的函数调用(TMQI与TMQIr)或在CLI中使用--revised选项来调用原始代码和修改后的代码。 安装 pip install git+https://github.com/dvolgyes/TMQI 之后,您可以将其导入为库: from TMQI impo
2022-05-11 15:00:09 2.52MB 系统开源
1