【课程3.4】 文本序列str常用操作 字符串是 Python 中最常用的数据类型。我们可以使用引号(‘或”)来创建字符串 字符串也是序列：文本序列 1.字符串引号 str1 = "abc" str2 = 'abc' str3 = 'my name is "fatbird"' # 双引号单引号无区别，但文本中有引号的时候要相互交替使用 str4 = '''hello! how are you? I`m fine, thank you.''' # 需要多行字符串时候用三引号 ''' ''',""" """ 2.转义字符：\ print('\'', '\"') # \',\

软件介绍: Alcor主控U盘VID/PID序列号改写工具Rework_1.0.0.2.exe能够修改产品的VID/PID序列号、客户信息、产品信息序列号设置方式：随机设置、固定、递增还可以拷贝文件。Rework(修改产品VID,PID,序列号)

为解决泊位占有率的预测精度随步长增加而下降的问题，提出了一种基于注意力机制的泊位占有率预测模型。通过卷积神经网络获得多变量的时间模式信息作为模型的注意力机制。通过对模型训练、学习特征信息，并对相关性高的序列分配较大的学习权重，来实现解码器输出高度相关的有用特征预测目标序列。应用多个停车场数据集对模型进行测试，测试结果及对比分析表明，所提模型在步长达到 36 时对泊位占有率的预测数据能较好地估计真实值，预测精度和稳定性相比LSTM均有提高。

logistic映射matlab实现，内含3个m文件，包含了logistic映射与反logistic映射，可以和理论结合看能懂得更快。

包含15个不同类型的金币旋转帧动画，每一种金币包含五到十几帧的动画图片

基于Matlab仿真生成两个阶数为6的m序列，分析m序列的自相关性和两个m序列之间的互相关性，绘制了其自相关函数及互相关函数图像。并且举反例证明m序列的反馈系数不能随便取。

AI机器学习时序序列特征提取实现分类预测实战，通过心电图分类模型实现分类预测实例介绍了从数据处理、时序特征提取、模型训练和效果评估。验证了对于小数据量，通过tsfresh提取时序特征，往往能够取得很好的效果。资源包括AI机器学习时序序列特征提取实战文档说明、源代码、数据集。

16非平稳时间序列突变检测的启发式分割算法(BG算法)MATLAB源代码[借鉴].pdf

提出了一种改进的基于Zadoff-Chu(ZC)序列的正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统时频同步算法。该算法构造了一个具有共轭重复关系结构的训练序列，首先利用时域训练序列前后的共轭特性完成定时同步，同时得到整数倍频偏估计，使定时结果不受频率同步性能影响，然后在获取精确的定时同步之后利用训练序列的重复性完成小数频偏估计。理论分析和仿真结果表明，在高斯信道和多径信道下，改进算法的定时估计和频偏估计均方误差较低，同时扩大了整数和小数频偏估计范围，降低了系统计算复杂度。

【图像加密】基于多种混沌序列Logistic+Tent+Kent+Hent实现图像加密与解密含Matlab源码