高斯伪谱法 st=>start: start op1=>operation: 给出Y的初值Y_0|past op=>operation: 给出Y的更新Y_k|current sub1=>subroutine: 构造qp子问题求解 op3=>operation: 在Y_K出泰勒展开到二阶项 op4=>operation: 解二次规划 cond=>condition: 是否足够精确？ e=>end st->op1->op->cond cond(yes)->e cond(no)->sub1->op 构造qp子问题求解: st=>start: start op3=>operation: 在Y_K出泰勒展开到二阶项,得到二次规划问题 op4=>operation: 使用quadprog求解 e=>end st->op3->op4->e

基于卡尔曼滤波和最大权值匹配实现的多目标跟踪python源码+详细代码注释+使用说明.zip 基于卡尔曼滤波和最大权值匹配实现的多目标跟踪python源码+详细代码注释+使用说明.zip 基于卡尔曼滤波和最大权值匹配实现的多目标跟踪python源码+详细代码注释+使用说明.zip 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向、python、目标跟踪学习者。 也可作为课程设计、期末大作业。包含：项目源码、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。

聚类马氏距离代码MATLAB SDCOR 用于大规模数据集中局部离群值检测的可扩展的基于密度的聚类 作者： Sayyed-Ahmad Naghavi-Nozad，Maryam Amir Haeri和Gianluigi Folino 目录 抽象的： 本文提出了一种基于批量密度的聚类方法，用于大规模数据集中的局部离群值检测。 与众所周知的假定所有数据都驻留在内存中的传统算法不同，我们提出的方法具有可伸缩性，并且可以在有限的内存缓冲区范围内逐块处理输入数据。 在第一阶段建立一个临时的聚类模型； 然后，通过分析点的连续内存负载来逐步更新它。 随后，在可伸缩聚类结束时，获得原始聚类的近似结构。 最后，通过对整个数据集的另一次扫描并使用适当的标准，将偏远评分分配给称为SDCOR（基于可伸缩密度的​​聚类离群值比率）的每个对象。 对现实生活和综合数据集的评估表明，与需要将所有数据加载到内存中的最著名的传统基于密度的方法相比，该方法具有较低的线性时间复杂度，并且更加有效。 还有一些基于快速距离的方法，这些方法可以对磁盘中驻留的数据执行操作。 框架： 更详细地，所提出的方法包括三个主要阶段。 在第一阶段

我上个四元数的文档里面有错误，所以我修改了一下。但是不清楚怎么删除之前的资源，只能重新上传一个。里面主要修改了旋转矩阵和四元数之间相互转换的矩阵对应关系，之前一个是左乘，一个是右乘，我没有注意到。需要把其中一个矩阵转置之后才能对应上。

内容概要：数字图像处理，内汉3*3模板以及可变模板滤波，包括实验的实验报告，有详细介绍，以及附带操作的图片 适用人物：大学数字图像处理课程学习 适用场景：实验学习，用于理解邻域滤波，添加椒盐和脉冲噪声，理解中值滤波 其他说明：内含中值滤波，邻域滤波，不同密度的椒盐噪声与脉冲噪声添加的matlab文件，内容比较容易理解，不懂的地方可以私聊，看到就回，欢迎指正

协议首选值（PrefVal)属性，它是一种厂商（华为和华三）自定义的私有属性，类似Cisco IOS中的管理性权值（Administrative Weight）。该属性仅在本地有效，不会传递给BGP邻居。因为协议首选值是人为主动设置的，代表本地用户的意愿，因而在BGP进行选路时会优先比较协议首选值。 当到达同一地址前缀有多条路由时，优先选择首选值大的路由。缺省情况下，从邻居学来的路由的初始首选值为0。 备注：模拟器采用HCL 5.5.0

给定由n整数(可能为负数)组成的序列 {a1,a2,…,an}，求该序列形如ai+ai+1,…,+aj的子段和的最大值。当所有的整数均为负数时定义其最大子段和为0。 Input 输入包含多组测试数据。第一行为一个整数C，表示有C组测试数据，接下来有2*C行数据，每组测试数据占2行，每组测试数据第一行是1个整数n，表示有n个整数,接下来一行有n个整数,它们之间用空格隔开. Output 你的输出应该有C行，即每组测试数据的输出占一行，它是计算出的最大子段和. Sample Input 1 6 -2 11 -4 13 -5 -2 Sample Output 20 Source

对二维线性插值的基本实现算法做了分类，并用matlab相关算法实现了简单算例

c++拉格朗日插值算法

C#+AE修改栅格像素值代码希望对你有所帮助