Java 项目,包含:项目源码、数据库脚本、部署说明等,前后端代码都在里面 。 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷,具有很高的实际应用价值。 一. 技术组成 技术栈:Java,使用 jdk1.8 即可 开发环境:IDEA /Ecplise 数据库:MySql (如果有的话) 二. 部署说明 1. Java,用IDEA 或者 Ecplise 即可 2. 数据库可视化软件,推荐使用它 Navicat,MySql 建议使用 5.7 版本
2024-04-16 13:57:00 7.3MB mysql java 搜索引擎
1
matlab代码——————FMCW_SAR点目标成像,调频连续波FMCW点目标成像代码
2024-04-16 11:23:29 1KB matlab
1
MFC 实现的画图软件,可以实现画各种图形,可以保存打印等,可以设置颜色等
2024-04-16 11:01:38 6.1MB MFC实现的画图软件
1
旅行商问题(Travelling Salesman Problem, TSP)是一个经典的组合优化问题。在这个问题中,一个旅行商需要访问所有指定的城市,并最后返回到原始城市,但是每次只能访问一个城市,并且不能重复。目标是找到一条最短的可能路线。 这个问题是一个NP-hard问题,意味着没有已知的多项式时间算法可以解决所有实例。但是,可以使用近似算法或启发式方法来找到接近最优的解。 以下是一个简单的Python实现,使用贪婪算法来解决TSP问题: 注意:贪婪算法并不保证找到最优解,但它通常可以找到一个相对较好的解,并且运行时间相对较短。对于大型问题,可能需要使用更复杂的算法,如遗传算法、模拟退火或线性规划方法。
2024-04-16 01:08:00 1KB python
1
模拟退火算法(Simulated Annealing, SA)是一种概率型优化算法,用于在给定大的搜索空间内寻找问题的最优解。该算法模仿了物理退火过程,即固体物质加热后再缓慢冷却以减少系统的能量,达到更稳定的状态。在模拟退火中,"能量"对应于优化问题的目标函数值,"温度"则是一个控制参数,用于决定接受较差解的概率,以避免陷入局部最优。 以下是一个使用Python实现的模拟退火算法示例: 在这个例子中,cost_function 是我们要优化的目标函数,neighbour_function 用于生成当前解的邻近解,simulated_annealing 函数实现了模拟退火算法的主体逻辑。我们从一个随机初始化解开始,通过不断迭代、生成新解、评估和接受或拒绝新解来寻找最优解。 请注意,模拟退火算法的性能高度依赖于初始温度、降温速率、最大迭代次数等参数的设置,以及邻居函数和目标函数的设计。在实际应用中,可能需要根据具体问题调整这些参数和函数。
2024-04-16 01:06:18 2KB 模拟退火算法 python
1
pix2pix 有条件对抗网络的图像到图像翻译的PyTorch实现 纸和官方代码 介绍 Pix2Pix是一个图像到图像的翻译项目,它可以做很多事情,下面仅显示其中一些: 它基于条件GAN,其中条件不是矢量或图像,而是图像。如下所示: 发电机 本文比较了两种不同的生成器,编码解码器和U-Net。 结果表明,U-Net可以做得更好,这可能是因为U-Net具有一些跳过连接,这使您可以更好地了解底层功能。 判别器 本文使用patchGAN作为判别器,这意味着我们不判断整个图像对,而是判断一些图像补丁,然后取平均值。 这样可以加快训练阶段,并可以处理不同大小的图像。 数据集 团队还会发布一些不错的数据集,您可以免费下载。 我将使用城市景观数据集。 您可以下载自己喜欢的数据集并放入数据子目录。 要求 火炬0.4.0 火炬视觉 火 我使用pytorch 0.4.0来构建此项目,因此您需要更新py
2024-04-15 23:08:01 9.42MB Python
1
主要介绍了Nodejs连接mysql并实现增、删、改、查操作的方法,结合实例形式详细分析了nodejs针对mysql数据库的的连接、mysql数据库的创建及nodejs针对mysql增删改查等相关操作具体实现技巧,需要的朋友可以参考下
2024-04-15 21:59:47 65KB Nodejs mysql
1
VC++实现spy++源码获取窗口句柄的功能vs2015
2024-04-15 19:38:32 28KB
1
网课实现的电商网站是vue2的,自己琢磨用vue3实现了一下
2024-04-15 16:49:48 84.84MB Vue3 电商网站
1
本项目采用YOLOv5实现垃圾分类目标检测。利用大量已标注目标检测数据集进行训练,对居民生活垃圾图片进行检测,找出图片中属于哪个类别的垃圾,并指示出在图片中的位置。 本工程YOLOv5使用PyTorch版的ultralytics/yolov5,在Windows系统上进行垃圾分类目标检测的项目演示。具体项目过程包括:数据集及格式转换、探索性数据分析(EDA)、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签)、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。
2024-04-15 16:07:26 391.13MB pytorch pytorch 目标检测 垃圾分类
1