粒子群算法(PSO)优化双向长短期记忆神经网络的数据分类预测，PSO-BiLSTM分类预测，多输入单输出。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图

多平台自动抢购油猴插件，感谢作者Aicefu， 开源在github，当然，这些是在我买了之后才知道的， 已经有反馈抢到了华为手机，所以大家可以研究看看， 都还在研究阶段，不过反正咋滴也比你手搓速度快。 ============== 支持淘宝、天猫、聚划算、京东、苏宁易购、苏宁香港、唯品会、华为、 耐克、魅族、联想、华硕、小米有品、考拉的商品页面抢购、购物车抢购。

采用窄相关技术和双△相关技术，对BPSK（1）信号和BOC（1，1）信号在不同预相关带宽和不同相关器间隔时的平均加权多径误差包络进行了仿真，提取了多径误差典型值。结果表明，随着相关器间隔的减小，多径误差逐渐减小，但当相关器间隔为0.1个码片时，多径误差的减小已不明显；多径误差并不是随着预相关带宽的增大一直减小，而是有一个最小值。

无加密，无隐藏，下载后直接运行 本人已在天翼云成功运行，没有错误，别的没有试验。首次创作，请多多支持！如有不明白的地方请留言。 本文用到的SS5安装文件和bbr.sh下载自官网，sourceforge.net因为各种原因无法下载，所以本人下载后放到了gitee.com, 如果有需要可以自行更换下载地址。bbr.sh可以不安装，不影响使用。 BBR 是 Google 提出的一种新型拥塞控制算法，可以使 Linux 服务器显著地提高吞吐量和减少 TCP 连接的延迟。 BBR解决了两个问题： 再有一定丢包率的网络链路上充分利用带宽。非常适合高延迟，高带宽的网络链路。 降低网络链路上的buffer占用率，从而降低延迟。非常适合慢速接入网络的用户 以下为脚本具体内容，复制后保存为.sh文件，上传到服务器root目录，运行后会怎么安装完成 安装完成后会会生成  外网IP/端口/账号/密码 格式的账号文件，此格式老鱼可以直接使用

基于卷积神经网络-长短期记忆网络(CNN-LSTM)分类预测，matlab代码，要求2019及以上版本。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

matlab开发-代数多重网格线性分流器。这个程序求解ax=b，其中a是m矩阵。测试用例可以在amg_test.m中找到。

QT多线程的实现方式：QThread run优雅的创建与退出QT多线程 https://blog.csdn.net/qq_43445867/article/details/132797225

matlab改变代码颜色MDL4OW 的源代码和注释： 刘胜杰，石谦和张良培。 使用多任务深度学习的未知类的少量快照高光谱图像分类。 IEEE TGRS，2020年。 接触： 代码和注释在此处发布，或检查 概述 普通：错误分类道路，房屋，直升机和卡车 以下是正常/封闭式分类。 如果您熟悉高光谱数据，您会发现培训样本中未包含某些材料。 例如，对于上方的图像（萨利纳斯山谷），道路和农田之间的房屋无法分类为任何已知类别。 但是，深度学习模型仍然必须分配标签之一，因为从不教它识别未知实例。 我们的工作：用黑色掩盖未知的事物 我们在这里所做的是，通过使用多任务深度学习，使深度学习模型具有识别未知事物的能力：那些被黑色掩盖的事物。 对于上方的图像（萨利纳斯山谷），农田之间的道路和房屋已成功识别。 对于下图（帕维亚大学校园），直升机和卡车被成功识别。 钥匙包 tensorflow-gpu==1.9 keras==2.1.6 libmr 在Windows 10的Python 3.6上测试 推荐Anaconda，Spyder 如何使用 高光谱卫星图像 输入图像的大小为imx×imy×通道。 卫星图像是标

在pp碰撞中在7 TeV质心能量中心产生的高横向动量射流用于测量横向能量-能量相关函数及其相关的方位角不对称性。 数据是在2011年用大型强子对撞机的ATLAS探测器记录的，对应的综合光度为158 pb -1。 选择标准要求事件中两个前导喷头的平均横向动量大于250 GeV。 蒙特卡洛事件生成器很好地描述了检测器级别的数据。 它们被展开到粒子级别，并以接近领先的精度与理论计算进行比较。 数据与理论之间的一致性很好，并提供了在大动量传递时微扰量子色动力学的精确测试。 从此比较，Z玻色子质量给定的强耦合常数被确定为s（mZ）= 0.1173±0.0010（exp。）→0.0026 + 0.0065（theo。）。

Unity3d数字化看板-多关节机器人运动控制源代码 https://blog.csdn.net/qq_39427511/article/details/130353894