速度采样器（GMYC） 该R Shiny App是SPEDE-SAMPLER程序的最后部分，允许用户在通过对对齐的Fasta文件中的序列进行随机重采样而创建的多个系统发育树上运行GMYC分析。 要通过R运行此应用，请在控制台中输入以下内容： install.packages("shiny") # install the shiny package library(shiny) # load up the shiny library shiny::runGitHub("spede-sampler", "CJMvS", ref="main") # run the app

根据颜色计算像素簇。 该算法基于Orchard和Bouman描述的uopon二叉树量化技术。 该代码可用于生成混合高斯模型，用于基于图切割的图像分割算法。

索引，可能让好很多人望而生畏，毕竟每次面试时候 MySQL 的索引一定是必问内容，哪怕先撇开面试，就在平常的开发中，对于 SQL 的优化也而是重中之重。 可以毫不夸张的说，系统中 SQL 的好坏，是能直接决定你系统的快慢的。但是在优化之前大家是否想过一个问题？那就是：我们优化的原则是什么？优化SQL的理论基础是什么？ 虽然说实践出真知，但是我更相信理论是支撑实践的基础，因为我们不可能毫无目的的去盲目的实践，因为这样往往事倍功半。 所以说了这么多只想告诉大家，在真正的开始索引优化之前，我们需要彻底搞明白索引的原理。这样再谈优化你将觉得更丝滑~ 1、索引的本质 索引的本质是一种排好序的数据结构。这个我相信其实大家并不陌生，因为谈到索引很多人自然而然的就会联想到字典中的目录。 没错，这样的类比是很形象的，但是如果再往深处说，恐怕很多小伙伴就有点张口结舌了，那既然你已经知道了索引的本质，那么您就已经有了看这篇文章的基础，相信读文本文的你，一定会对索引的原理有一个全新的了解。 2、索引的分类

针对无线传感网络中数据融合需求的多样性，提出了一种新的簇内数据融合方法。该方法基于信息熵可反映节点数据分布的统计特性，首先对节点内数据并查集的信息熵进行最大寻优、自动确定融合的上下限阈值，完成节点局部数据融合；同时考虑簇内信息分布的空间特性，对簇内二维信息熵进行最大寻优，并由此确定簇内数据融合的阈值、实现冗余数据过滤；最后就该方法与传统的数据融合策略进行了仿真比较。实验结果验证了该方法简单，可有效实现全局数据融合，显著降低节点能耗。

周围计算matlab代码基于自适应密度的无监督高光谱遥感图像聚类 这个 repo 包含我对我们的论文“基于自适应密度的无监督高光谱遥感图像聚类”的实现。 执行 这些代码最初来自于 Science 2014 的“Clustering by fast search and find of density peaks”。我大量修改了 matlab 实现以加快和修改基于我们论文的参数设置和算法框架。 引文 如果您发现我们的工作对您的研究有用，请考虑引用： @article{xie2018unsupervised, title={Unsupervised hyperspectral remote sensing image clustering based on adaptive density}, author={Xie, Huan and Zhao, Ang and Huang, Shengyu and Han, Jie and Liu, Sicong and Xu, Xiong and Luo, Xin and Pan, Haiyan and Du, Qian and Tong, Xi

labview 簇的使用、结构体

引言无线传感器网络（Wireless Sensor Network，WSN）是由大量低成本、自组织、有一定计算能力和通信能力的传感器节点组成，可实时监测、采集网

针对无线传感器网络分簇路由协议所筛选簇头节点的位置分布不均衡及转发节点的数据传输路径不合理会加剧节点能量消耗、缩短网络生存周期的问题，提出一种基于改进粒子群优化算法的分簇路由协议。在簇头选举过程中，通过定义节点的能量因子和位置均衡因子建立新的适应度函数，评估和选择更优的候选簇头节点；通过优化的自适应学习因子调整候选簇头节点的位置更新速度，扩大局部搜索并加快全局搜索的收敛速度。根据转发节点与基站的距离确定采用单跳还是多跳传输方式，设计一种基于最小生成树的多跳方法，为转发节点数据传输选择最优的多跳路径。仿真测试结果表明，基于改进粒子群算法的分簇路由协议能够选举能量与位置更均衡的簇头节点和转发节点，缩短了网络的通信距离，节点的能耗更低且更均衡，有效延长了网络生存周期。

无线传感器网络分簇及路由算法研究.pdf