TRI-518软件-方便大家使用，应为有软件大家会更好的对TRI-518界面有好的认识

OZCollide是很不错的开源的碰撞检测库，它提供了一些便于调用的的C++ API，包含fast tri-box intrs及其其他多种高效碰撞检测算法，能够有效用于粒子系统的碰撞检测！

2.2 单目测距方法二 假设，有效焦距为 f 的 CCD 摄像机安装在载体的顶部， 俯仰角度，距离地面 的高度为 h；地面上有某个被测点P；点P与镜头中心的水平距离为d 。则被测点与 摄像机的光学成像几何关系如图 2 所示： 图 2：单目相机测距原理 其中， 0 O 是镜头的中心； 0 0 ( , )O x y 是光轴与像平面的交点，作为像平面坐标系的 原点； '( , )P x y 是被测点P在像平面的投影。那么，有几何关系：

原创Matlab产生三角波的函数任意循环-tri_wave.m 自己写的三角波函数，可以方便调用。 参数接口： function y=tri_wave starting_value:三角波起始值 ending_value:三角波终点值 sub_interval:三角波区间 num_of_cycles:三角波个数 y：输出的三角波 测试： y=tri_wave plot Matlab_32.jpg ============== function y=tri_wave web -browser https://www.ilovematlab.cn/thread-47904-1-1.html temp1=starting_value:sub_interval:ending_value; temp2=ending_value:-1*sub_interval:starting_value; temp3=zeros*2-1); temp3)=temp1; temp3 1:length)=temp2); temp4=temp3; for i=1:1:num_of_cycles-1     temp4=[temp4 temp3)]; end %y=repmat; y=temp4;复制代码 ================

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

基于有监督的虚假评论检测方法受限于标注语料的规模，为了更好地利用未标注评论数据来提高分类器的正确率和泛化能力，本文提出一种基于半监督主动学习的虚假评论检测方法。首先，定义并提取评论内容特征以及评论者行为特征，结合这两类特征来对虚假评论进行检测。然后，采用基于熵的主动学习算法选择对学习最有帮助的评论样本，获得其类别标注，将其合并到基于Tri-training的半监督学习算法的训练集中，利用大量未标注评论数据进行学习，提升分类器性能。最后，在领域评论数据集上进行实验，结果表明，将半监督学习与主动学习相结合，能够更有效的利用未标注评论数据，从而有效地提高虚假评论检测的效果。

此函数使用基本的叉积计算 3d 中三角形网格的体积。

D-S合成方法作用的对象是基本概率指派（basic probability assign，BPA），如何生成BPA是D-S理论应用中重要且有待解决的首要步骤。针对生成BPA提出一种基于核密度估计（kernel density estimation，KDE）的BPA生成方法：训练数据用于构建基于最优化窗宽的核密度估计的数据属性模型；然后利用训练数据的核密度模型计算测试数据的密度—距离—分布值Tri-D（density-distance-distribution），通过嵌套式的方法分配Tri-D值获取测试数据对应的BPA；最后D-S合成BPA得到最终判断，通过分类准确率来判断BPA生成方法的有效性。实验通过在UCI数据集上与其他方法的分类准确率对比验证了提出方法的有效性。

计基于opengl的计算机图形学的基本三角形，四边形，扇形画法代码

把几何体三角化的方法，具体讲解了算法，讲解了如何过程化