深度散斑相关性：一种通过散射介质实现可扩展成像的深度学习方法。 通过散射成像是一个重要但具有挑战性的问题。通过利用固定介质的确定性输入-输出传输矩阵已经取得了巨大的进步。然而，这种一对一的方法非常容易受到散斑去相关的影响——对散射介质的小扰动会导致模型错误和成像性能的严重下降。我们的目标是开发一个新的框架，该框架对介质扰动和测量要求都具有高度可扩展性。为此，我们提出了一种全面的统计深度学习技术，该技术封装了广泛的统计变化，使模型能够适应散斑去相关。具体来说，我们开发了一个卷积神经网络 (CNN)，它能够学习在一组具有相同宏观参数的扩散器上捕获的散斑强度模式中包含的统计信息。然后，据我们所知，我们首次展示了经过训练的 CNN 能够通过一组完全不同的相同类别的扩散器进行泛化并进行高质量的对象预测。我们的工作为通过散射介质成像的高度可扩展的深度学习方法铺平了道路。

俄语和乌克兰语语音算法变音的 Rust 实现

还提供了一个用于区分列表的功能，该功能利用了 LIS 算法。

Simple(x)黑盒全局优化算法的 Rust 实现。 该算法（不应与单纯形算法混淆）最接近贝叶斯优化。与贝叶斯优化相比，它的优势在于能够高效地处理大量样本和高维。

纯 Rust 中 FP-Growth 算法的实现

该工具使用 Google 的 RAISR 算法对图像进行放大。 TODO : 完成算法的训练部分。目前，此工具使用从 movehand 的Python 实现导出的过滤器库。

一种融合低成本三轴 MEMS 陀螺仪和加速度计测量的算法。

该库实现了VSOP87解决方案来计算太阳系中行星的位置 主模块计算太阳系行星的昼夜平分点 J2000.0 的日心黄道轨道元素，基本VSOP87解决方案。每个其他 VSOP87实现都有一个模块：VSOP87A、VSOP87B、VSOP87C、VSOP87D和VSOP87E。更多信息可以在这里和这里找到。 每个模块都有自己的文档，这里是基本VSOP87 解决方案的文档。VSOP87算法在水星、金星、地月重心和火星的 J2000 纪元前后4,000 年，木星和土星的2,000 年以及天王星和海王星的6,000 年具有很高的精度（低于 1 英寸） 。 基本VSOP87解决方案计算围绕太阳的行星的轨道元素。返回的元素是特殊的 VSOP87 轨道元素，可以使用Intotrait 将其转换为通常的开普勒元素。这些元素非常适合了解轨道如何随时间变化。它也可以用于其他复杂的轨道计算。

ETSI SAGE 为 3G 认证提出的 MILENAGE 认证算法。

ROT13（“旋转 13 位”，有时连字符为 ROT-13）是一种字母替换密码，它用字母表中的 13 个字母替换一个字母。ROT26 不是只旋转 13 个位置，而是在字母表中旋转两倍的字符，因此安全性提高了一倍。 rot26 算法的纯 rust 重写。 甚至保持对 rot13 和任何rot 的支持，并提供友好有用的评论，建议您坚持使用 rot26。 ROT26 加密和解密非常复杂，需要一台功能强大的专用超级计算机来执行我们创建的所有计算。因此，为了鼓励更多开发人员在他们的移动、Web 和 PC 软件应用程序中使用 ROT26，我们提供了一个非常易于使用且完全免费的 ROT26 加密和解密 REST Web 服务。 这不再是真的。 多亏了 Rust，这一切以及以下所有功能现在都是可能的： 完整的 Unicode 支持。忽略任何非字母符号！（实际上之前可能是可能的） 单元测试。