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。

1、本资源针对SiouxFalls交通网络，基于Frank Wolfe算法，求解交通分配用户均衡模型。 2、UE.py为代码；Link.csv为边信息；Node.csv为节点信息（未用到，其中包括节点坐标）；OD.csv表示OD流量需求；此外包括网络均衡结果.csv。 3、用户均衡，表示没有用户可以通过单方面改变出行路径，从而降低出行费用。 4、本资源代码逻辑较为明确，便于阅读、学习。

sm2国密算法加解密，签名、验签QT工具的源代码（包含sm2,sm3和sm4源码）。 环境我使用的QT5.14的IDE编译，其他版本qt未测试。不过仅使用了几个简单控件应该关系不大。 详细介绍参见个人博客：SM2 (含SM3、SM4)国密算法工具QT版，彻底搞懂国密算法的使用 https://blog.csdn.net/yyz_1987/article/details/120501076

1. Matlab实现粒子群优化算法优化BP神经网络的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图和散点图 5. Excel数据，暂无版本限制，推荐2018B及以上版本

提出了一种当接收端(或基站)在平面上随机分布时，考虑非视距（NLOS）传播误差条件下对移动台定位的有效算法。该方法基于到达时间定位技术，其主要思想是通过概率定位和几何定位联合检测具有 NLOS 误差的测量值(在各接收端处估计的信号时延)，然后估计这些测量值的 NLOS 误差的大小并更新这些测量值，最后重新估计移动台位置。文中给出了算法的步骤，推导了算法估计误差的方差。同时，本文推导了 NLOS 环境下定位估计误差的克拉美罗下限，并将所提算法的性能与克拉美罗下限做了比较和分析。仿真部分也给出了不同算法与本文算法的性能比较，从仿真结果可以看出，该算法估计精度高。

数据集 数据集_从零开始学习SSD目标检测算法训练自己的数据集

DETR（DEtection TRansformer）是一种基于Transformer架构的端到端目标检测模型，其主要流程包括： 1. 特征提取：通过卷积神经网络提取输入图像的特征。 2. Transformer编码器：将特征图输入Transformer编码器，利用自注意力机制和全连接层获取位置的上下文信息。 3. 对象查询：引入特殊的“对象”查询向量，指导模型在每个位置关注的对象类别。 4. 解码器：将Transformer编码器的输出作为解码器的输入，通过多层自注意力计算和全连接层计算生成每个位置的对象特征。 5. 对象匹配：将对象特征与所有可能的目标类别进行匹配，产生候选框和得分。 6. 位置预测：为每个候选框产生精确的位置预测。 DETR简化了目标检测流程，无需使用锚框或非极大值抑制，直接输出目标检测结果

D* Lite算法的核心思想是通过不断更新代价地图来实现路径规划。它使用两个主要的数据结构：状态图和优先队列。状态图记录了每个位置的代价信息，而优先队列则根据代价信息来选择下一个要扩展的节点。 在使用D* Lite算法进行路径规划时，首先需要初始化起点和目标点，并将起点加入到优先队列中。然后，算法会不断从优先队列中选择代价最小的节点进行扩展，直到找到目标点或者无法找到路径为止。在扩展节点时，D* Lite算法会根据当前节点的代价信息和邻居节点的代价信息来更新状态图，并更新优先队列中节点的优先级。

基于两优先级Round-robin算法PCI仲裁扩展器的设计与实现，陈晓飞，李红信，PCI总线凭借高带宽、高性能、高可靠性、即插即用等多方面的优越性获得了迅速的发展。当PCI总线上挂载多个设备时，为保证多个设备能

这是“随机化学”(RC) 算法的基本实现，用于在 log(N) 试验中从 N 个元素的通用集合中找到缺陷集合。 对该函数的多次调用包括统计上独立的试验。 算法实现中包括一个虚拟适应度函数和用于测试算法的“缺陷集”。 请参阅随附的算法“受组超边测试启发的采样”(SIGHT)，该算法还可用于在 log(N) 试验中查找缺陷集。 SIGHT 使用相同的虚拟适应度函数和缺陷集，以便于比较，可在文件交换中获得： https : //www.mathworks.com/matlabcentral/fileexchange/72718-sampling-inspired-by-group-hyperedge-测试视线。 这两种算法都已成功应用于识别一小组传输线，这些传输线同时发生故障会导致电网模拟中的级联停电（请参阅下面的参考资料）。 免责声明：此实现旨在易于阅读和理解，但并未针对效率进行优化，并