台风是一种极端天气事件，每年夏天都会对沿海地区的城市经济造成重大损失。 预测台风的形成和强度以对台风灾害进行预警是非常重要的。 传统的基于流体理论的数值预报模型仍然很难准确地预测台风强度。 一些研究尝试使用机器倾斜方法来预测台风的形成和强度，但是他们并未考虑台风形成变量之间的时空关系。 在这里，我们提出了一个混合的CNNLSTM模型来学习大气和海洋变量的时空相关性。 我们的CNN-LSTM模型引入了3D卷积神经网络（3DCNN）和2D卷积神经网络（2DCNN），以了解台风形成特征之间的空间关系。 我们利用LSTM来学习台风路径中特征的时间序列关系。 在三个数据集上进行的广泛实验表明，我们的CNN-LSTM混合模型优于现有方法，包括许多官方组织使用的传统数值预测模型，统计预测方法和基于机器学习的方法。

阐述了装配线平衡问题类型及其平衡求解的相关算法，给出了装配线第二类平衡问题的数学描述。在分析用标准粒子群优化算法求解装配线第二类平衡问题的缺陷基础上，利用粒子群优化算法所具有的全局搜索能力和高搜索效率以及模拟退火算法所具有的局部搜索能力，提出了采用粒子群和模拟退火的混合算法求解第二类平衡问题的方法，并给出了求解流程。应用实例证明，用混合粒子群优化算法比标准粒子群优化算法求解第二类平衡问题能获得更优的结果。

为满足复杂场景下视频烟雾检测的实时性、准确率等需求,提出了一种将高斯混合模型与卷积神经网络相结合的视频烟雾检测方法。基于高斯混合模型的背景减除法和形态学方法实现对视频图像的运动目标提取;针对烟雾检测效率和网络过拟合等问题,设计用于视频烟雾检测的卷积神经网络模型;通过烟雾正负样本图像对卷积神经网络进行训练和测试。在此基础上,合理地设定运动目标网络模型的输出概率的阈值,有效去除训练样本中没有涵盖的非烟雾干扰项,降低误报率。实验结果表明,该方法是可行且有效的,其视频烟雾检测准确率达到97.5%,平均烟雾报警响应时间为4.58 s,可满足复杂场景下烟雾的实时检测要求。

系统所要实现的功能分析，对于现在网络方便的管理，系统要实现用户可以直接在平台上进行网站首页、金牌教师、精品课程、讨论交流、作业、新闻信息、系统概要等，根据自己的需求可以进行查看教师和课程信息等，这样既能节省用户的时间，不用在像传统的方式，需要查询、由于很多用户的时间的原因，很难去满足用户的各种需求。所以线上线下混合教学的学习系统的开发不仅仅是能满足用户的需求，还能提高管理员的工作效率，减少原有不必要的工作量。

matlab2015和VS混合编程实现脉冲压缩

基于神经动态规划的混合动力汽车在线能量管理控制

有理数混合运算习题.doc

Android和ReactNative混合开发Demo,包含Android原生加载RN页面，Android原生调用RN函数，RN函数调用原生函数

利用Vi sual Basic6. 0设计了应用软件的用户界面,用SDK2000视频卡与CCD摄像头连接采集数据,利用Matlab7. 0图像处理工具箱,小波分析工具箱,通过各种算法的比较和验证,找到有利于疵点的检测,快速的疵点识别,精确的疵点分割方法,三者相互结合构成织物疵点自动检测系统。在图像采集中,调用视频卡驱动程序,实现图像的储存。图像处理中,应用二维小波分解重构,小波消噪,阂值分割,数学形态学处理等方法,快速准确识别疵点,利用Matlab最新的COM生成器,将Matlab的M文件,生成COM组件

YaHei Consolas Hybrid 微软雅黑和Console字体混合版