蚁群算法matlab源码Jx-WFST：包装功能选择工具箱 “迈向人才科学家：共享和学习” --- 介绍 该工具箱提供了40多种包装功能选择方法 A_Main文件提供了有关如何在基准数据集上应用这些方法的示例 这些方法的源代码是基于伪代码和书面文件编写的 该工具箱的主要目标是： 包装器功能选择方面的知识共享 协助其他人进行数据挖掘项目 用法 采用主要功能jfs进行特征选择。 您可以通过将'pso'更改为 如果您希望使用粒子群优化（请参见示例1），则可以编写 FS = jfs('pso',feat,label,opts); 如果要使用粘液模制算法（请参见示例2），则可以编写 FS = jfs('sma',feat,label,opts); 输入 feat ：特征向量矩阵（实例x Feature） label ：标签矩阵（实例x 1） opts ：参数设置 N ：解决方案数量/人口规模（所有方法） T ：最大迭代次数（对于所有方法） k ：K -值在K -nearest邻居 输出 Acc ：验证模型的准确性 FS ：特征选择模型（包含多个结果） sf ：所选sf索引 ff ：所选功能 nf

jt808-client JT / T808客户端模拟器 构建设置 # install dependencies npm install # serve with hot reload at localhost:9080 npm run dev # build electron application for production npm run build # lint all JS/Vue component files in `src/` npm run lint 该项目是通过使用生成的。 关于原始结构的文档可以在找到。

注意：该工具需要配合指定驱动才能使用

适用于Linux的Proxifier proxifier-适用于Linux的Proxifier 概述 代理充当代理服务器和客户端程序之间的中介。 代理通过代理服务器代表其他程序工作。 代理服务器充当配置代理规则的全局点，代理规则将应用于系统中的每个程序。 目前，代理服务器支持HTTP_PROXY。 依存关系 列出了从Proxifier-For-Linux的源进行编译，运行和构建所需的依赖项列表，以及可能的安装步骤（取决于OS） 构建和安装依赖项 [ $ sudo apt install autoconf ] [ $ sudo apt install automake ] [ $ sudo apt install txt2man ] 正在下载 通过从GitHub镜像克隆获得最新的稳定Proxifier来源 $ git clone https://github.com/m0

Jx-WFST：包装特征选择工具箱 《迈向人才科学家：共享与学习》--- 介绍 该工具箱提供了 13 种包装器特征选择方法 Demo_PSO提供了如何在基准数据集上应用 PSO 的示例 这些方法的源代码是基于伪代码和论文编写的 用法 采用主要功能jfs进行特征选择。 您可以通过将from FS.pso import jfs的pso更改为来切换算法 如果你想使用粒子群优化（PSO），那么你可以写 from FS.pso import jfs 如果你想使用差分进化（DE），那么你可以写 from FS.de import jfs 输入 feat ：特征向量矩阵（实例x特征） label ：标签矩阵（实例x 1） opts : 参数设置 N ：解决方案的数量/人口规模（对于所有方法） T ：最大迭代次数（对于所有方法） k : k -最近邻中的k -值 输出 Acc : 验证模型的

scn2pointcloud_tool文档 该工具的目的是实现从CAD模型的格式（例如.obj / .off文件）到具有RGB和标签的点云格式的数据转换。 该工具的转换结果如下。 OBJ文件的可视化： 相应输出的可视化： 该工具是为SUNCG数据集设计的，并且基于SUNCG数据集的数据组织，因此，对于其他CAD模型数据集，该工具可能不完全兼容。 您可以查看此和以获取有关SUNCG数据集的更多详细信息。 该工具是从修改而来的，而是从GAPS修改而来的。 原始GAPS自述文件位于底部。 比比克斯 如果您发现此工具对您的研究有用，请考虑引用我们的。 @InProceedings{Liu_2017_ICCV, author = {Liu, Fangyu and Li, Shuaipeng and Zhang, Liqiang and Zhou, Chenghu and Ye, Rongt

该存储库包含来自认知和情感神经科学实验室（Tor Wager，PI）和我们的合作者的MRI / fMRI / PET分析的核心工具。 这些工具提供了一种用于与神经影像数据交互的高级语言。 这个想法是获取预处理数据，甚至是单学科分析的结果——已建立的预处理管道的输出——并将它们导入到专门用于神经影像可视化和分析的轻量级、灵活的数据对象中。 这些对象允许使用简单的命令进行交互式分析，例如“绘图”、“预测”和“蒙太奇”。 该存储库还包括其他有用的工具箱，包括使用遗传算法的 fMRI 设计优化、fMRI HRF 估计、具有分层指数加权移动平均变化点分析的 fMRI 分析、各种 fMRI 诊断以及用于可视化大脑数据的其他工具和功能。

资源很难找啊，亲测可用

StoragetVET 2.0 StorageVET 2.0是一种评估模型，用于分析储能技术以及与储能配对的其他一些能源。 由于其开源的Python框架，该工具可以用作独立模型，也可以与其他电源系统模型集成。 下载可执行环境，并在了解更多信息。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 有关如何在实时系统上部署项目的注释，请参阅部署。 先决条件和安装 1.为Python 3。**安装 。 2.打开Anaconda提示 3.激活Python 3.6环境 在Linux / Mac上请注意，pip应该与python 3.6安装相关联 pip install virtualenv virtualenv storagevet-venv source storagevet-venv/bin/activate 在Windows上请注意，pip应该与python

TWINT-Twitter智能工具 没有身份验证。 没有API。 无限。 Twint是使用Python编写的高级Twitter抓取工具，可用于从Twitter资料中抓取Tweet，而无需使用Twitter的API。 Twint利用Twitter的搜索运算符，可让您从特定用户处抓取Tweets，抓取与某些主题，主题标签和趋势有关的Tweets，或从Tweet中筛选敏感信息，例如电子邮件和电话号码。 我觉得这很有用，您也可以从中真正发挥创意。 Twint还会对Twitter进行特殊查询，使您也可以在没有任何身份验证，API，Selenium或浏览器仿真的情况下，抓取Twitter用户的关注