Sethian (1996) 引入的 Fast Marching 算法是一种数值算法，能够捕捉 Eikonal 方程 |grad(D)|=P 的粘度解。 水平集 {x \ F(x)=t} 可以看作是一个以速度 P(x) 前进的前沿。 得到的函数 D 是一个距离函数，如果速度 P 是常数，它可以看作是到一组起点的距离函数。 Fast Marching 与 Dijkstra 算法非常相似，它在图上找到最短路径。 使用距离函数 D 的梯度下降，可以在各种设置（P 常数的欧几里德，以及 P 变化的加权黎曼流形）中提取最短路径（测地线）的良好近似。 关于 Fast Marching 算法的主要参考书是计算几何、流体力学、计算机视觉和材料科学中不断发展的接口的水平集方法和快速行进方法JA Sethian，剑桥大学出版社，1999 剑桥应用和计算数学专着可以在 3D 中快速行进以及一些应用程序的良好评

天文导航方法已经成为深空探测必备的导航方法。为了实现对深空探测器的姿态控制,必须准确知道深空探测器当前时刻的姿态。根据深空探测器机载的两个星敏感器跟踪两颗选定的已知恒星,测量出当前时刻相对初始时刻这两个恒星星光矢量在深空探测器机体坐标系中的角度变化量,通过姿态变换矩阵转换和公式推导,给出了确定深空探测器当前时刻姿态角的解析算法,从而为探测器的姿态控制提供准确的姿态数据。通过仿真结果验证了此方法的正确性和有效性。

强化学习 强化学习的学习代码，算法包括Q-Learning、DQN、DDQN、PolicyGradient、ActorCritic、DDPG、PPO、TD3、SAC。 使用说明 python版本： 3.10.13 依赖库：requirements.txt 安装依赖库：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

为改善红外图像的视觉效果和后续处理质量,需要对图像进行增强处理。在此介绍并实现了一种空间域图像增强算法,自适应分段线性拉伸算法。首先简要分析算法原理,对该算法基于Xilinx公司XC4VLX15系列FPGA的实现方法进行了研究,以兼顾系统实时性和集成度为目的,提出灰度直方图统计和拉伸运算等关键模块的解决方案。通过试验结果分析,对压缩因子的选取提出建议。该设计的输出延迟仅为62.5 ns,且具有实现简单、集成度高、功耗低等优点,适合在精确制导武器和导航系统中应用。

实验任务及内容 基于MFC实现以下功能： 1.分别用中点画线算法、DDA画线算法、Bresenham画线算法绘制直线； 2.使用中点画圆算法绘制圆； 3.使用中点画椭圆算法绘制椭圆； 4.分别使用4邻域内点表示和边界表示法实现区域填充。 编程测试环境 Visual Studio 2019 PDF文档中包括对三种画线方法、中点画圆、中点画椭圆、两种区域填充程序的预期功能、设计思路详细分析及运行结果展示

灰狼算法(GWO)优化极限学习机ELM回归预测,GWO-ELM回归预测，多变量输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

matlab巴特沃斯代码用于 Arduino 部署的呼吸检测和 RR 计算算法 在这个 repo 中可以找到两个主要的实现类别： 基于阈值 将信号与其平均值进行比较并检测交叉点（通过某种过滤技术获得平均值） 过滤器包括 SMA（棚车）、FIR 巴特沃斯、IIR /SMA/ /Filters/ 基于梯度 当梯度从 + 变为 - 时检测峰。 /Grad/ 还可以找到一些过滤器。 #This Repo 还包含一个 GUI 应用程序（Matlab AppDesigner），用于监控和绘制 RR。 允许通过 BT 或 USB 连接。 此代码适用于配备 16x2 LCD 的 Atmega 168/328。

基于粒子群算法优化深度置信网络(PSO-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于麻雀算法优化深度置信网络(SSA-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

针对目前基于种子节点选择的社区发现算法在准确性和复杂度等方面存在的不足, 提出了一种基于Node2Vec的重叠社区发现算法. 首先, 使用Node2Vec算法学习到网络中每个节点的向量表示, 用以计算节点间的相似度, 其次, 利用节点影响力函数计算节点影响力并找出种子节点, 然后基于每个种子节点进行社区的扩展优化, 最终挖掘出高质量的重叠社区结构. 本文选取多个真实网络进行了对比实验, 结果表明, 本文所提出的算法能够在保证良好稳定性的前提下发现高质量的社区结构.