qt 适应分辨率，自适应类，可以自适应调整控件字体大小，间距等。 控件和窗口，针对分辨率和窗口变化，进行变化适应。 是布局的不错的补充，利用好了，控件伸缩自如。

改进动态窗口DWA算法，模糊控制自适应调整评价因子权重，matlab代码，完全自己编写 这段代码是一个基于动态窗口法（Dynamic Window Approach，DWA）的路径规划算法的实现。下面我将对代码进行分析，并解释算法的优势、需要注意的地方以及独特算法所用到的内容。 首先，代码开始时定义了一个地图map0，表示机器人的运动环境。地图中的0表示可通行的区域，1表示障碍物。接着，代码对地图进行了旋转，以保证地图和预期设置的地图一致。然后，获取了地图的高度和宽度。 接下来，代码设置了绘图的参数，并绘制了地图中的障碍物。障碍物的坐标保存在obstacle数组中。然后，代码定义了起始点和目标点，并在图中绘制了起始点和目标点。 接着，代码计算了机器人的初始航向角，使其朝向目标点，以防止陷入局部最优。然后，定义了机器人的状态，包括位置、航向、线速度和角速度。 代码中的dt表示仿真步长，predictT表示前向模拟时间。obs表示障碍物的坐标数组，collisionR表示碰撞半径。 接下来，代码定义了运动学的限制，包括最高速度、角速度、加速度、角加速度以及线速度和角速度的分辨率

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的“信息共享”寻优，达到全空间搜索最优解的目的。收敛速度快，全局寻优能力强。针对基本粒子群算法寻优精度较低，结果易发散的缺点，提出了一种参数自适应调整和边界条件约束的粒子群算法，惯性权重，学习因子随着迭代过程线性递加或递减，从而在算法初期个体能搜索整个空间，后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束，保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性，在保证算法效率的前提下，有效地提高了算法的寻优精度。

改进蝙蝠算法：1.增加权重系数 2.自适应调整频率 3.达到尝试次数后，解质量没有提高，则随机飞行.zip

动量-自适应学习调整算法(BP改进算法)应用实例。共享给大家，希望有用。

详细分析LEACH协议, 针对LEACH协议随机产生簇头导致网络中出现局部区域簇头分布不均、簇的规模不一、整个网络能耗不均衡、网络寿命缩短等问题, 提出了一种聚类区域自适应调整的WSN能耗均衡分簇算法。在算法的选举簇头阶段, 将节点剩余能量、备选簇头与邻居簇头的间距相结合作为判据参数; 在成簇阶段, 将节点预加入的簇头到基站的距离考虑在内, 比较多个数据流向, 采用节能最优路径策略。仿真结果表明, 该协议能够有效均衡网络各节点能耗, 显著延长了网络生存时间。

行业资料-交通装置-一种前瞻自适应调整的两轮自平衡车.zip

用Python对图像亮度进行调整，暗的图像调整到适宜的亮度，不需要设置阈值，根据灰度直方图对每张图自行调整。

代码是基于Verilog版本的自动白平衡调整，里面包括白平衡核心代码以及simulation仿真代码部分，需要将图片转换成rgbin.txt格式，点击仿真即可，仿真结束工程会自动生成rgbout.txt格式，使用matlab工具进行导入验证效果即可。本代码通过移位方式提高精度，而不涉及IP核，适用于Altera以及Xilinx等器件直接使用。

是一段红外可见光的梯度域的图像融合，代码能够将梯度融合不再是简单的梯度，而是自动的根据图像的权重来进行融合