图的应用——深度优先／广度优先搜索遍历 要求：以邻接矩阵或邻接表为存储结构（学号为单号的同学以邻接矩阵为存储结构，双号的同学以邻接表为存储结构）建立无向连通图，从键盘上输入指定的顶点为起始点，实现图的深度优先及广度优先搜索遍历，并输出遍历的结点序列。 提示：首先，根据输入的顶点总数和边数，构造无向图，然后以输入的顶点为起始点，进行深度优先、广度优先搜索遍历，并输出遍历的结果。

其中包括短作业时间调度算法、时间片轮转调度算法、优先级调度算法，时间片调度算法可以根据个人需要修改时间片，以及txt中的进程可以根据需要修改。

邻接表存储的图的DFS，BFS遍历。文档描述： http://blog.csdn.net/qq_16912257/article/details/45848935

【进程调度实现C++】先来先服务 短进程优先 优先级调度(抢占非抢占式) 包含文档 一、设计题目 1 二、设计目的 1 三、设计原理及方案 1 3.1 开发环境 1 3.2 功能需求 1 3.3 概要设计 1 四、详细设计 2 4.1 先来先服务算法 2 4.2 短作业优先调度算法 3 4.3 优先级调度算法 4 五、运行结果 6 六、设计总结与体会 9 七、附录 10 由主程序部分输入进程的数量，然后循环初始化进程结构体数组，相关信息有进程代号、到达时间、服务时间、优先级、记录开始运行时刻、记录结束运行的时刻、周转事件、等待时间、带权周转时间、可用标识等信息，分别调用四个算法，先来先服务调度算法、短作业优先调度算法、非抢占式优先级调度算法和抢占式优先级调度算法。然后各个算法输出运行结果。最后根据平均周转时间和平均带权周转时间进行算法评估并显示结果。 先来先服务调度算法：根据进程到达的时间为依据，对进程结构体数组按照“到来时间”进行升序排序，遍历进程结构体数组，逐个为之分配处理机，使之投入运行。该进程一直运行到完成或发生某事件而阻塞后才放弃处理机。 短作业优先调度算法：对进程结构

虽然无先导卡尔曼UKF滤波技术在性能上要优于一阶线性化的扩展卡尔曼滤波EKF技术, 但是对于改进型Logistic混沌映射的扩频通信系统, UKF运算时间长, 算法复杂。针对上述缺点以及改进型Logistic映射的泰勒展开式最高项为二阶的特点, 提出将二阶EKF运用到接收系统中, 该接收系统能精确到泰勒展开式的二阶, 达到与UKF相同的性能。相比UKF的复杂算法更加简单, 运算速度也更快。仿真实验表明, 虽然二阶EKF与UKF的误码率相同, 但在运算速度与复杂度方面均优于UKF。

暗组2010抢先版.rar 好好用

从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地，学习贝叶斯网络的可选结构是一个不确定的多项式时间（NP）难题。 为了解决这个问题，已经提出了许多启发式算法，并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而，现有算法对先验知识有一些限制，例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中，我们将先验知识引入了马尔可夫链蒙特卡洛（MCMC）算法，并提出了一种称为约束MCMC（C-MCMC）算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识：父节点的存在，父节点的不存在以及分布知识，包括边缘的条件概率分布（CPD）和节点的概率分布（PD）。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验，以证明所提出的方法C-MCMC的可行性和有效性。

igiKam 是一款功能先进的自由开源数字照片管理程序，包含了对照片和 RAW 图像文件进行导入、管理、编辑和分享的全套工具。它支持 Linux、Windows 和 macOS。您可以使用 digiKam 的导入功能从数码相机或者外部存储设备 (SD 卡、U 盘等) 向本机传输照片、RAW 图像文件和视频，操作简单轻松。你还可以随时配置导入选项，为已导入的照片更改处理和整理规则。 digiKam 可以将照片、RAW 图像文件和视频整理成相册。它还带有功能强大的标签工具，您可以对照片和 RAW 图像文件指定标签、进行评分和附加标记，并按照这些条件进行筛选，快速查找符合条件的项目。 除了筛选功能外，digiKam 还内建了强大的搜索功能。您可以使用各种条件来对照片库中的内容进行搜索，如标签、标记、评价、数据、地理位置，甚至特定的 EXIF、IPTC 或者 XMP 元数据。您还可以合并使用多个条件来进行更加深入的搜索。digiKam 通过 Exiv2 程序库来处理来自文件元数据的标签内容，并将它们整合到照片库中。

用卷积滤波器matlab代码 杨凌霄 该存储库包含未发布的技术报告的Matlab代码（也包含在此存储库中）。 声明：该报告已被一些顶级会议拒绝。 作者是个懒惰的人，不会重新提交任何其他会议或期刊。 但是作者本人认为这是一件好事，可能对其他人有所帮助。 介绍 最先进的轻量级跟踪器（大约100 KB） 先前有关回归跟踪器的大多数研究主要是探索用于特征提取的深层模型，然后使用复杂的体系结构进行在线检测。 这样的系统具有大量可训练的参数，从而带来严重过度拟合的风险。 而且，日益复杂的模型严重损害了许多实际应用的速度。 最近，已经提出了几种基于轻型结构的判别相关滤波器（DCF）来跟踪问题，而它们的性能却远远落后于一些最新的跟踪器。 我们认为，DCF经常学习单个线性模板，无法很好地将目标与周围环境区分开。 此外，在此类跟踪器中通过线性插值进行的模板更新将包括许多嘈杂的示例，从而降低了训练后的模型的质量。 在本文中，我们提出了一个简单而有效的系统，称为LiteCNT。 对于整个跟踪过程，我们的算法仅包含三个卷积层。 另外，引入了多区域卷积算子以进行回归输出。 这个想法很简单，但是功能强大，因为它使我

DBA日志 试读版,323页,白鳝先生呕心沥血新作