Unity游戏开发A星寻路demo，适合新手，简单易懂，配合文章去读一下理解一下，应该很容易懂。由于是demo，没怎么考虑优化的事情，如有错误还望指正。

根据窗口名称或者进程最小化窗口

1.介绍 毕设研究课题，根据轴承的振动数据信息来诊断轴承故障的位置和故障严重等级。方法思路走的是数据驱动，使用传统机器学习方法以及深度学习方法。这个开源项目做的是整理基于传统机器学习的轴承故障诊断的内容。 主要分为三个部分： 数据集预处理：数据集增强(utils.augment) 特征工程(utils.feature):均值(mean), 均方差(rms), 标准差(std), 偏度(skewness), 峭度(kurtosis), 包络谱最大幅值处频率(maxf), 信号熵(signal_entropy), 信号幅值中位数处概率密度值(am_median_pdf) 分类器训练和保存

OpenCV根据矩形轮廓校正倾斜。详细说明请参考博文：http://blog.csdn.net/mengchicmc/article/details/77981112

计算机软件-商业源码-实例098-根据环境变量得到系统路径信息.zip

计算机软件-商业源码-实例99 根据IP地址查计算机名.zip

卷积码的matlab代码WMCNN-pytorch-Netmodel 符合艺术性的[通过小波多尺度卷积神经网络实现航空图像超分辨率]如果使用此代码，请引用本文。我使用pytorch剥离了本文的网络模型。该代码基于文章[航空图像超高清]通过小波多尺度卷积神经网络进行解析，wmcnn，因为本文随附的代码使用python和matlab混合编程以及pytorch版本，因为该代码使用了大量数据集来读取和预处理处理过程，并且环境设置异常，代码无法运行，因此剥离了相关的网络结构，可以直接使用。 无需培训过程，您就可以使用它快速将其嵌入网络结构中，而不必担心输入大小。 注意力 应该注意的是，在网络上，论文略有不同。 在网络结构的末端，个人感觉它直接从160特征图下降到12。它可能返回到去噪性能的损失，因此添加了缓冲区卷积。 慢慢将特征图降低到12 代码基于文章的[通过小波多尺度卷积神经网络的航空图像超分辨率]，wmcnn，由于文章附带的代码使用了python和matlab混合编程，以及一个pytorch版本，因此处理的过程，而且环境构造异常，无法运行代码，不再替换相关的网络结构，可直接使用。缺失了训练

该函数根据加速度时间序列计算地震参数。 具体来说，它计算速度与时间、位移与时间、峰值地面加速度 (PGA)、峰值地面速度 (PGV)、峰值地面位移 (PGD)、Arias 强度与时间、总 Arias 强度 (Ia)、5% 之间的时间和 75% 的 Ia 已经发生（显着持续时间 D5-75），发生 5% 和 95% Ia 之间的时间（显着持续时间 D5-95），平均周期（Tm），伪加速响应谱（Sa），伪速度响应谱 (Sv)、位移响应谱 (Sd) 和傅立叶幅度谱 (FAS)。

matlab将代码对齐 kuka 根据kuka机器人的D-H表编写其雅克比矩阵计算MATLAB代码 编程的思路主要为：1.编写出计算齐次变换矩阵A的函数，输入量为D-H表的四个要素。2.根据公式计算出矩阵T。3.根据得到末端执行器的位置o和姿态R。4.根据z=R·k得到zi。5.对于转动关节，计算雅克比矩阵上半部分和下半部分。6.将上半部分和下半部分的结果合在一起，构成最终的雅克比矩阵。

根据浏览器屏幕大小高度自适应