verycd上TBE的matlab R2009b激活文件只能使用到2017年。提供的激活文件可以使用到2037年(2037后需要系统支持)。

《DocBar2009-2012：在Windows 7 64位系统中的应用及详解》 DocBar2009-2012是一款专为Windows操作系统设计的文档管理工具，尤其适用于64位的Windows 7系统。这款软件的主要功能在于帮助用户更高效地管理和组织电脑中的各种文档，提升工作效率。本文将详细介绍DocBar2009-2012的功能特性、安装与使用方法以及与Windows 7 64位系统的兼容性。 一、DocBar2009-2012功能特性 1. 快速访问：DocBar2009-2012提供了一种快速启动和访问文档的途径，用户可以通过自定义的工具栏直接打开最近使用的文件或者常用文件夹，大大节省了在众多文件中查找的时间。 2. 文件分类：软件支持对文档进行智能分类，可以根据文件类型、创建日期等多维度进行整理，使文件管理井然有序。 3. 搜索优化：内置强大的搜索功能，可以快速定位到目标文件，同时支持模糊搜索和关键词联想，让找文件变得轻松快捷。 4. 快捷操作：用户可以自定义快捷键，实现一键打开文件或执行特定操作，提高工作效率。 二、Win7 64位系统兼容性 由于DocBar2009-2012特别注明支持win7 64位系统，这意味着它经过了专门的优化，能够充分利用64位系统的硬件资源，运行更加稳定，性能更加强大。对于64位系统可能出现的兼容性问题，DocBar2009-2012已经进行了充分的适配，确保用户在使用过程中不会遇到兼容性障碍。 三、安装与使用 1. 安装：下载完成后，解压“DocBar2009-2012,支持win7 64.zip”压缩包，找到安装程序，按照提示步骤进行安装。需要注意的是，确保在安装过程中选择与系统相匹配的64位版本。 2. 配置：安装完毕后，启动软件进行基本设置，如选择显示的语言、自定义工具栏、设置文件分类规则等。 3. 使用：在Windows任务栏或者桌面快捷方式启动DocBar，即可开始享受高效便捷的文档管理体验。 四、注意事项 1. 由于DocBar2009-2012可能需要访问用户的文件系统，因此在安装时需谨慎，避免泄露个人隐私。 2. 保持软件更新：及时更新DocBar2009-2012至最新版本，以获取最新的功能和修复已知的问题。 3. 与其它软件的兼容性：在使用DocBar的同时，应关注它与其它软件的协同工作情况，以确保整个系统运行的流畅性。 总结，DocBar2009-2012是一款专为Windows 7 64位系统打造的高效文档管理工具，其强大的文件管理和搜索功能，以及良好的系统兼容性，使得它成为用户提升办公效率的理想选择。只需简单安装和配置，就能享受到它带来的便捷。在日常使用中，注意软件的更新和与其他软件的兼容性，将有助于更好地发挥DocBar2009-2012的效能。

用于机器视觉的开源库，原版没有用于c++builder的，需要自己转换，这是我转换的一个版本，希望有用。

最近使用Matlab R2009a，反复提示需要激活，并且很多程序函数提示找不到，原来是lisense到期了，到期时间2017年11月11日。解决方法有两种：（1）修改电脑系统时间来避开这个问题；（2）可以使用这里提供的licence文件，亲测可用，如果不能用请提示，因为我经常下载资源，需要资源分，所以收2分

在解决非线性分类，函数估计和密度估计问题中，支持向量机是一个很强大的方法，支持向量机也致使了其核心的新动向，最新发展事基于一般学习方法的。支持向量机应经被引入统计学习理论和结构风险最小化之中。这些方法中，凸优化问题,解决了一个典型的二次规划问题。LS-SVM 是标准SVM 的改进，这样就可以解决线性kkt 系统的问题了。 需要自行创建符合标准的变量。

基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a） 基于自动编码器的ELM的机器学习模型（经过充分训练，Matlab R2009a）

Astar2009百度之星程序设计大赛(初赛)试题1

Astar2009百度之星程序设计大赛(初赛)试题2

破解方法我就不用多说了吧，各位大侠都是牛人

LSSVM的特性   1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；   2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；   3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；   4) 使用了贝叶斯推断（Bayesian inference）；   5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；   6) 可以拓展到递归神经网络中。