平面SLAM 此仓库提出了一种RGB-D SLAM系统，该系统是专门为结构化环境设计的，旨在通过依赖于从周围提取的几何特征来提高跟踪和映射精度。 更多细节可以在我们的论文中找到（ 和 ）。 作者：李艳艳，拉扎·尤努斯，尼古拉斯·布拉施，纳西尔·纳瓦布和费德里科·托巴里 执照 PlanarSLAM是根据发行的。 出于商业目的，请与作者联系：yanyan.li（at）tum.de。 如果您在学术作品中使用PlanarSLAM，请引用： inproceedings{Li2021PlanarSLAM, author = {Li, Yanyan and Yunus, Raza and Brasch, Nikolas and Navab, Nassir and Tombari, Federico}, title = {RGB-D SLAM with Structural Regula

大华人像车辆多维结构化对外能力规范 1.API采用 HTTP协议访问，应符合RESTful规范。 2.API请求及应答数据采用JSON格式，JSON中的字符串以小写字母开头，驼峰方式组织。 3.HTTP报文体中包含文本数据和二进制字节数据时，须采用multipart形式传输。 4.所有协议中时间字段采用如下格式（字符串）： yyyyMMdd’T’HHmmss’Z’ 例如：20180310T023933Z

适合MATLAB初学者，里面有冒泡排序法的题，阶乘和的题等等，找矩阵最大值及其位置，函数脚本文件和脚本文件两份

我国碳排放增长的驱动因素分析 -基于一般均衡的结构分解法，袁鹏，程施，基于可比价投入产出表，采用基于一般均衡的结构分解方法（SDA）将我国能源消费的碳排放增长分解为碳强度、技术、国内最终需求和贸

论文研究-列结构分解分析模型.pdf,  在结构分解分析理论基础上,提出和建立了列结构分解分析模型,并给出了有实际经济意义的分解.列结构分解分析能沟通投入产出经济学与新古典经济学的相关研究,为测算包含完全使用的生产要素对经济增长的贡献提供了新方法.

DBJ15-101-2014 广东省建筑结构荷载规范.pdf

3．3一阶RC模型参数辨识 在一阶RC改良模型中，开路电压％，充电内阻见，放电内阻B，极化内阻只。， 极化电容c。四个参数由电池内部表现所决定，需要进行一定条件的电池性能测试，获得 数据后进行参数拟合。本次实验在环境温度恒定为25。C环境条件下，暂时不考虑温度 影响因子。 第二章中已经通过实验得出了电池在充／放电两个不同条件下的SOC．OCV曲线，即 Uo。(SOC，c)和‰(。s∞，D)参数。为了获得电池在在充放电时候的电池组容参数， 本次实验使用((FreedomCAR电池试验手册》中脉冲特性试验(Hybrid Pulse Power Characteristic Test)1271为测试电流负载，在每10％SOC值设置一个测试点，测试在不同 SOC条件下电池模型参数。 实验使用天津力神18650电池，实验步骤分为4个步骤： (1)使用标准充电方法，对单体电池充电至SOC为100％。 (2)使用恒流放电方式，电流恒定为1C(1．35A)，按照放电时间定为6min。待其SOC 达到预定值后，停止放电，静置2h。 (3)在预定的SOC点处，使用2C(2．7A)脉冲冲击电流，记录电池在70s内的充放 电电压曲线。所使用的脉冲电流如图3-6。 万方数据

通信录管理系统 【功能要求】 （1)查看功能：选择此功能时，列出下列三类选择。 A 办公类 B 个人类 C 商务类 ，当选中某类时，显示出此类所有数据中的姓名和电话号码） (2)增加功能：能录入新数据（一个结点包括：姓名、电话号码、分类（可选项有：A 办公类 B 个人类 C 商务类）、电子邮件）。例如 杨春 13589664454 商务类 Chuny@126.C++om 当录入了重复的姓名和电话号码时，则提示数据录入重复并取消录入；当通信录中超过15条信息时，存储空间已满，不能再录入新数据；录入的新数据能按递增的顺序自动进行条目编号。 (3)拔号功能：能显示出通信录中所有人的姓名，当选中某个姓名时，屏幕上模拟打字机的效果依次显示出此人的电话号码中的各个数字，并伴随相应的拔号声音。 (4)修改功能：选中某个人的姓名时，可对此人的相应数据进行修改 (5)删除功能：选中某个人的姓名时，可对此人的相应数据进行删除，并自动调整后续条目的编号。 此题求解！！！

源代码,软件体系结构层次风格文件管理系统框架代码.

从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地，学习贝叶斯网络的可选结构是一个不确定的多项式时间（NP）难题。 为了解决这个问题，已经提出了许多启发式算法，并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而，现有算法对先验知识有一些限制，例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中，我们将先验知识引入了马尔可夫链蒙特卡洛（MCMC）算法，并提出了一种称为约束MCMC（C-MCMC）算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识：父节点的存在，父节点的不存在以及分布知识，包括边缘的条件概率分布（CPD）和节点的概率分布（PD）。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验，以证明所提出的方法C-MCMC的可行性和有效性。