最终效果如下：（注意需要做锚点联动的部分并不在页面的顶部而是页面的某个div内）-chrome 完成这个功能需要注意： 1、点击导航平滑滚动到导航内容处 2、div内滚动时当前导航需要做响应 代码如下： 1、html结构（因为从项目里截取代码数据内容就不贴出来了，不算难点，这个可以根据自己的项目进行调整，相应的方法和类名别弄错就行） 全部应用 <span v-for=(item, index) in allMenuList :key=item.id :class=[index===acti

系统分析了滚动导向滤波的参数,根据参数变化的规律提出一种基于滚动导向滤波的混合多尺度分解方法,并基于此方法将红外与可见光图像分解到基本层、小尺度层和大尺度层。在基本层上使用像素能量与梯度能量相结合的融合规则,在大、小尺度层上采用双通道自适应脉冲耦合神经网络(DAPCNN)的融合规则。通过逆混合多尺度分解方法得到融合图像。与已有的图像分解方法相比,所提图像分解方法不仅可以很好地提取图像的纹理细节,保留图像的边缘特征,还可以避免在边缘位置上出现光晕现象。实验结果表明,所提方法可以很好地提取图像的红外目标信息,并将其融合到可见光图像中,与已有的融合方法相比,所提方法不仅在人眼视觉感知的主观评价方面具有明显优势,而且在互信息、信息熵、标准差、非线性相关信息熵和Chen-Varshney指标等客观评价标准上也具有很大的优势。

js，javascript写的一个下拉框和下拉树带滚动条

RefreshableScrollView_Demo.zip

Chrome插件，截图滚动截图，长图，应有尽有，超级方便

以前截图都不能截到整个图片，因为图片上下跨度太大，这个可以滚动截屏，很厉害

一般的截图软件只能抓一屏一屏的图片，有时需要把整个网页都抓成图片；这个小工具代码实现了这样的功能。

为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。

此函数将时间序列拆分为滚动窗口。 然后，对于这些滚动窗口中的每一个，算法分析一些 AR(p) 过程。 然后它为每个过程和每个滚动窗口生成预测。 这些预测与时间序列的已实现值进行比较，然后该函数寻找“最佳”p 阶。 这个“最佳” p 是通过最小化二次损失函数来选择的，即预测值和实现值之间的平方差。 最好选择具有最小二次损失函数的模型，并对其进行直接预测以产生最终预测。 最小化二次损失函数意味着最好的模型是与观察值距离更小的模型。

html5可拖拽图片循环滚动切换 支持手机