搜索引擎 我的学术专案

2018年的一篇论文的相应代码，基于NOMA的边缘小区用户 Matlab-code-TCOM-2018-master

工作第一天 看看这个吧~~ 修炼内功必备 呵呵~ 第1章 假想的编译程序 读者可以考虑一下倘若编译程序能够正确地指出代码中的所有问题，那相应程序的错误情况会怎样？这不单指语法错误，还包括程序中的任何问题，不管它有多么隐蔽。例如，假定程序中有“差1”错误，编译程序可以采用某种方法将其查出，并给出如下的错误信息 -> line 23: while (i<=j) off by one error: this should be '<' 又如，编译程序可以发现算法中有下面的错误： -> line 42: int itoa(int i, char* str) algorithm error: itoa fails when i is -32768 再如，当出现了参数传递错误时，编译程序可以给出如下的错误信息： -> line 318: strCopy = memcpy(malloc(length), str, length); Invalid argument: memcpy fails when malloc returns NULL 好了，要求编译程序能够做到这一程度似乎有点过分。但如编译程序真能做到这些，可以想象编写无错程序会变得多么容易。那简直是小事一桩，和当前程序员的一般作法真没法比。 假如在间谍卫星上用摄像机对准某个典型的软件车间．就会看到程序员们正弓着身子趴在键盘上跟踪错误；旁边，测试者正在对刚作出的内部版本发起攻击，轮番轰炸式地输入人量的数据以求找出新的错误。你还会发现，测试员正在检查老版本的错误是否溜进了新版本。可以推想，这种查错方法比用上面的假想编译程序进行查错要花费大得多的工作量、确实如此，而且它还要有点运气。 运气？

编译原理教学课件：Chapter 7 - Code Generation

基于MTCNN的人脸检测，口罩检测，训练，标注， PyTorch+python 说明文档 基于深度学习的口罩检测 是否戴口罩，分类，警报

ORB-SLAM2 is a real-time SLAM library for **Monocular**, **Stereo** and **RGB-D** cameras that computes the camera trajectory and a sparse 3D reconstruction (in the stereo and RGB-D case with true scale). It is able to detect loops and relocalize the camera in real time. We provide examples to run the SLAM system in the [KITTI dataset](http://www.cvlibs.net/datasets/kitti/eval_odometry.php) as stereo or monocular, in the [TUM dataset](http://vision.in.tum.de/data/datasets/rgbd-dataset) as RGB-D

自己一点点改出来的, 两款编辑器不一样, 没法百分百仿的, 同样的颜色在VS code里好看, 但在keil里就差点意思

这个是真正完整版的 C++语言学习利器-AI-CODE坦克机器人，网上许多其他版本都是完全乱套，

3D打印项目 我的3D打印项目的.stl和.gcode文件的集合 stl / obj文件 包含.stl / .obj文件，因此您可以自己对其进行切片，然后使用所选的打印机进行打印。 gcode文件 编译的.gcode文件仅与Ultimaker Mega-S兼容。 如果您使用的是其他打印机，则应使用切片器和.stl / .obj文件将其自己编译为自己的规格和设置。

DDOS攻击工具源码