矩阵运算，计算在不同的情况下的矩阵的数学运算，可以应用到各个不同的领域

嵌入式人脸识别门禁系统设计与实现

本文提出了一种基于深度学习的安全带检测方法，尝试将近年来在图像检测方面有较好应用的深度学习方法来提高安全带检测的准确率。相比传统的安全带检测方法，深度学习的最大优势在于它可以自动的从样本数据中学习特征，最大限度的减少了人为的干预以及手工设计特征的复杂性。 本方法充分发挥深度学习端到端的特性，充分利用rcnn和yolo系列算法的优点，搭建深度学习中的卷积神经网络模型，并用卷积神经网络模型对样本图片进行训练得到用于安全带检测的模型，然后用该模型对待检测图片进行检测，判断出车辆司机是否佩带安全带。本文中利用Keras框架对整个训练和检测过程进行了实现，并对实验结果进行了分析，证明了该方法的有效性。

一、Eigen 介绍 二、Eigen 的下载 三、Eigen 的配置 3.1 在 Qt 下配置 3.2 在 Visual Studio (VS) 下配置 四、Eigen 的使用 4.1 矩阵和向量的初始化 4.2 矩阵元素的赋值 4.3 矩阵元素的访问 4.4 获取矩阵大小 4.5 特殊矩阵的定义 4.5.1 全0矩阵 4.5.2 全1矩阵 4.5.3 矩阵置0 4.5.4 矩阵置1 4.5.5 随机矩阵 4.5.6 置为单位阵（不一定是方阵） 4.5.7 矩阵填充 4.5.8 将向量转为对角阵 4.6 矩阵运算 4.6.1 矩阵相乘 4.6.2 矩阵转置 4.6.3 矩阵求逆 4.6.4 求矩阵的特征值和特征向量 4.6.5 矩阵的SVD分解 4.6.6 计算矩阵的伪逆

关于矩阵的各种运算，求秩，求逆，乘法，加减法等等都有。

专题资料（2021-2022年）ASPNET产品销售管理系统的设计与实现.doc

单片机最小系统的设计与实现.doc

t检验是假设检验中的一种检验方法。t检验可分为单总体检验和双总体检验，以及配对样本检验，主要应用于比较两个平均数的差异是否显著。用t检验的python实现来检测男女生身高和体重是否符合标准。

包含矩阵定义，矩阵输出，矩阵格式化输出，矩阵转置，矩阵相加，矩阵相乘，N阶方阵行列式求值，求逆，求伴随矩阵，求上三角形 命名空间：matrix 定义类：Matrix 方法： public Matrix(int mm, int nn) 定义矩阵A: Matrix A=new Matrix(int mm, int nn); public double read(int i, int j) 获取Aij: A.read(i,j); public int write(int i, int j, double val) 将数据b写入Aij: A.read(i,j,b); 释放矩阵： public void freeMatrix() A.freeMatrix(); 方法： //C = A + B //成功返回1,失败返回-1 public int add(ref Matrix A, ref Matrix B, ref Matrix C) //C = A - B //成功返回1,失败返回-1 public int subtract(ref Matrix A, ref Matrix B, ref Matrix C) //C = A * B //成功返回1,失败返回-1 public int multiply(ref Matrix A, ref Matrix B, ref Matrix C) //行列式的值,只能计算2 * 2,3 * 3 //失败返回-31415,成功返回值 public double det(ref Matrix A) //求转置矩阵,B = AT //成功返回1,失败返回-1 public int transpos(ref Matrix A, ref Matrix B) //求逆矩阵,B = A^(-1) //成功返回1,失败返回-1 public int inverse(ref Matrix A, ref Matrix B) //矩阵输出// public string Out(ref Matrix A) //矩阵格式化输出// public string Outt(ref Matrix A, string format) //矩阵一维数组赋值// public void Fuzhi( ref Matrix A , double[] arr) //方阵行列式值// public double Det(ref Matrix A) //矩阵的伴随矩阵// public void Accompany(ref Matrix A, ref Matrix B) //伴随矩阵法求矩阵的逆// public void Inverse(ref Matrix A, ref Matrix B) //矩阵相等// public void Equal(ref Matrix A, ref Matrix B) //C = A + B //成功返回1,失败返回-1 A.add(ref Matrix A, ref Matrix B, ref Matrix C); //C = A - B //成功返回1,失败返回-1 A.subtract(ref Matrix A, ref Matrix B, ref Matrix C) //C = A * B //成功返回1,失败返回-1 A.multiply(ref Matrix A, ref Matrix B, ref Matrix C) //行列式的值,只能计算2 * 2,3 * 3 //失败返回-31415,成功返回值 A.det(ref Matrix A) //求转置矩阵,B = AT //成功返回1,失败返回-1 A.transpos(ref Matrix A, ref Matrix B) //求逆矩阵,B = A^(-1) //成功返回1,失败返回-1 A.inverse(ref Matrix A, ref Matrix B) //矩阵输出// A.Out(ref Matrix A) //矩阵6位小数输出// A.Outt(ref Matrix A) //矩阵一维数组赋值// A.Fuzhi( ref Matrix A , double[] arr) //方阵行列式值// A.Det(ref Matrix A) //矩阵格式化输出// public string Outt(ref Matrix A, string format) A.Outt(ref Matrix A, string format); //矩阵的伴随矩阵// public void Accompany(ref Matrix A, ref Matrix B) A.Accompany(ref Matrix A, ref Matrix B); //伴随矩阵法求矩阵的逆// public void Inverse(ref Matrix A, ref Matrix B) A.Inverse(ref Matrix A, ref Matrix B); //矩阵相等// public void Equal(ref Matrix A, ref Matrix B) A.Equal(ref Matrix A, ref Matrix B); 格式说明符说明 示例 输出 C 货币 2.5.ToString("C") ￥2.50 D 十进制数 25.ToString("D5") 00025 E 科学型 25000.ToString("E") 2.500000E+005 F 固定点 25.ToString("F2") 25.00 G 常规 2.5.ToString("G") 2.5 N 数字 2500000.ToString("N") 2,500,000.00 X 十六进制 255.ToString("X") FF

基于MATLAB——汉明码设计与实现.doc