2015-2019年 蓝桥杯真题（再往前也没什么参考价值了）， 包含题型分布与题型分值，蓝桥杯真题与模拟题差异非常大，一定要刷真题。想要刷题的小伙伴要赶快下载了， 刷个两三遍，省一省二没问题的。

matlab实现分数阶 非常好的分数阶资源，能够帮助理解，加深印象，能够把分数阶融会贯通。

基于分数傅里叶变换的光学图像加密与身份验证技术

北京林业大学2021年计算机各专业（计算机科学与技术，林业信息工程，电子信息，农业工程与信息技术）的初试过线考生分数明细，包含总分，政治，数学，英语，专业课。该校学硕专业课为数据结构+数据库，复试上机+专业知识（计算机408四门+专业课）和实践能力面试

分数阶微分、分数阶积分、已经分数阶微分方程的matlab编程实现，不太长，一共28页，请按需下载。

MATLAB答题卡识别,本课题探索了有效识别答题卡的方法，以matlab为工具，基于数字图像处理技术对答题卡填涂区域进行了识别，并对识别的结果进行了处理，得到了结果。本论文利用Hough变换的直线检测技术检测图像的倾斜度，判断图像是否倾斜，对存在倾斜的图像进行旋转校正。最终实现答题卡答案的定位和检测。论文使用像素统计方法进行识别，利用黑白颜色灰度值的巨大差异对二值图像的灰度值进行累加并进行阈值判定，识别错误效率极低，能够准确的识别答题卡的涂卡标记。

fbm_sim 在纯Python中模拟短分数布朗运动（FBM）轨迹 目的 快速模拟许多FBM轨迹的简单工具。 该存储库使用基于Riemann-Liouville积分的FBM版本，而不是Mandelbrot基于Weyl积分的版本。 在数值上，通过FBM协方差矩阵的Cholesky分解过滤高斯白噪声来实现仿真。 扩散系数的种类 fbm_sim使用扩散系数的两个不同参数化之一。 有关每种类型的说明，请参见笔记本的definitions.ipynb 。 用法示例 import fbm_sim # Create the simulator object fbm_obj = fbm_sim.FractionalBrownianMotion( 128, # simulate 128 steps of this FBM 0.6, # Hurst parame

基于多变量分数阶极值搜索方法的最优照明控制策略设计

1、输入学生信息，建立链表； 2、输出链表中全部学生信息； 3、根据姓名检索学生信息； 4、打印成绩不及格学生名单。

Fractional-order calculus is about the differentiation and integration of non-integer orders. Fractional calculus (FC) is based on fractional-order thinking (FOT) and has been shown to help us to understand complex systems better, improve the processing of complex signals, enhance the control of complex systems, increase the performance of optimization, and even extend the enabling of the potential for creativity. In this article, the authors discuss the fractional dynamics, FOT and rich fractional stochastic models. First, the use of fractional dynamics in big data analytics for quantifying big data variability stemming from the generation of complex systems is justified. Second, we show why fractional dynamics is needed in machine learning and optimal randomness when asking: “is there a more optimal way to optimize?”. Third, an optimal randomness case study for a stochastic configuration network (SCN) machine-learning method with heavy-tailed distributions is discussed. Finally, views on big data and (physics-informed) machine learning with fractional dynamics for future research are presented with concluding remarks. https://www.mdpi.com/1099-4300/23/3/297/pdf