Fast Report Demo，送需要的朋友看看。

BeLibnids 分析数据包使用 libnids 和 dpdk 它是一个使用多进程将dpdk和libnids结合在一起以支持10G端口分析数据包的平台。 ##0.什么是？ a:它是一个使用多进程从一个或多个端口接收和处理数据包的平台。 b：它使用RSS队列和对称散列来保证一个tcp流只被一个进程处理。 c：使用多进程解决libnids资源冲突。 d：我是在CentOS 6.4和6.5下运行的，代码你都有，当然可以改。 ###技术架构 ##1.如何编译？ a：编译intel dpdk“ 可以下载或使用doc/dpdk-1.5.0r2.tar.gz。 b:cd libnids-1.24/src 并编译它直到生成一个 libnids.a（我注册 nids_syslog_return 函数而不是 nids_syslog 以提高多进程中的性能） c:cd symmetric_mp

快速 Kronecker 矩阵乘法，适用于全矩阵和稀疏矩阵任何大小。 从不计算实际的 Kronecker 矩阵并省略乘以单位矩阵。 y = kronm(Q,x) 计算y = (Q{k} kron ... Q{2} kron Q{1})*x 如果 Q 仅包含两个矩阵且 x 是向量，则代码使用身份( Q{2} 克朗 Q{1} )*vec(X) = vec(Q{1}*X*Q{2}'), 其中 vec(X)=x。 如果 Q 包含两个以上的矩阵和/或如果 x 有更多除了一列之外，该算法使用此身份的广义形式。 该算法的思想是将 x 视为一个多维数组并分别为每个维度 i 应用线性映射 Q{i}。 致谢： 此代码遵循与 Paul G. Constantine & 的“kronmult”相同的想法David F. Gleich（斯坦福大学，2009 年）。 但是，我避免循环并允许非平方输入 Q{i}。 我还

openfast-readthedocs-io-en-v3.2.0.pdf openfast用户手册/帮助文档/user guide，可帮助理解openfast的编译、运行等等操作，

一种简单快速的生成双随机矩阵的算法。 （矩阵，其中每列和每行的总和正好是 1）。 每个矩阵都是从所有 NxN 双随机的空间中统一选择的矩阵。 注意：生成的矩阵确实是双随机的，但不是证明/检查该算法确实生成了矩阵 UAR。 生成双随机矩阵的简单算法（矩阵，其中每列和每行的总和正好是 1）。 算法： 1. 为每个 1<=i,j<=N 设置一个 NxN 矩阵 TM st TM[i,j] = 1/N。 2. 对于 X 次迭代： 3. 在 [1,...,N] 上绘制 i1, j1, i2, j2 UAR。 4. 在 (0, min {TM[i1, j1], TM[i2, j2]}) 上绘制 d UAR。 5. M[i1,j1] <= M[i1,j1] - d； 6. M[i2,j2] <= M[i2,j2] - d； 7. M[i1,j2] <= M[i1,j2] + d； 8. M[i2,j1

行列式计算用matlab的代码基于行列式的快速贪婪传感器选择算法与相关测量噪声 该存储库包含 Matlab (R2020b) 代码，用于重现基于行列式的快速贪婪传感器选择算法的结果。 由于GitHub文件大小限制，网上链接了一个数据集： sst.wkmean.1990-present.nc lsmask.nc 海洋海面温度数据由 NOAA 提供。 NOAA_OI_SST_V2 数据由美国科罗拉多州博尔德市的 NOAA/OAR/ESRL PSD 提供，来自其网站 . 执照 代码 主程序 P_greedy_noise_demo.m 功能 预处理 F_pre_read_NOAA_SST.m F_pre_SVD_NOAA_SST.m F_pre_truncatedSVD.m 传感器选择 F_sensor_random.m F_sensor_DG.m F_sensor_DG_r.m F_sensor_DG_p.m F_sensor_DGCN.m F_sensor_DGCN_r.m F_sensor_DGCN_p.m F_sensor_BDG.m 计算 F_calc_det.m F_calc_se

自适应阈值FAST特征点检测算法的FPGA实现.pdf

详细讲解fft算法的英文书籍。包括算法的原理和各种实现细节。

ORB-slam 最初相关论文，博客提供了全部翻译，主要描述二进制特征对于计算速度的优化。

喀拉拉邦 更快的R-CNN的Keras实现：通过区域提议网络实现实时目标检测。 从克隆 修复了从原产地奥克隆克隆时的几个错误 用法： theano和tensorflow后端都受支持。 但是在theano中编译时间非常长，强烈建议使用Tensorflow。 train_frcnn.py可用于训练模型。 要训​​练Pascal VOC数据，只需执行以下操作： python train_frcnn.py -p /path/to/pascalvoc/ 。 Pascal VOC数据集（分类对象周围边界框的图像和注释）可以从以下网站获得： : simple_parser.py提供了使用文本文件输入数据的另一种方法。 只需提供一个文本文件，每行包含： filepath,x1,y1,x2,y2,class_name 例如： /data/imgs/img_001.jpg,837,346,981