修改完毕学生考勤管理系统（三种用户权限）考勤管理

STM32F103R6-HAL多种模块Proteus仿真

在移动场景下，数字证书的应用面临各种问题，而SM2协同签名作为一种高效、安全的解决方案，能够有效应对这些问题。它在移动设备上的应用前景广阔，有助于提升移动场景下数字证书的安全性和便利性，为用户提供更好的数字身份认证和数据保护，SM2协同算法作为手机盾产品的核心算法，目前在平台上真正提供开源实现的很少，本人处于一种爱好在OPENSSL 开源代码的基础上实现了一种SM2的协同算法，可供各同仁参考研究。本次把测试源码分享给大家，期待与各位同仁共同交流和探讨，共享SM2协同密码算法的成果

Unity3D 100种战斗魔法粒子技能动画特效，内包含100种战斗魔法技能特效，包含demo场景展示，可以运行可通过键盘ZXC进行切换，重试等操作。可用于技能特效编辑，自制等学习操作。解压即可导入工具包，初步可以运行demo场景进行测试效果。100种特殊制作不易，希望收藏关注，后续有更多资源分享。战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效 战斗 魔法 粒子 技能 动画 特效

RFID电子标签种类很多，分类方式多样。按照供电方式可分为有源和无源的电子标签;按照载波频率可分为低频(134.2kHz)、高频(13.56MHz)、超高频(433MHz和915MHz)，以及微波电子标签(2.45GHz以上)[6];RFID电子标签的单项技术已经趋于成熟，但不管在物流业还是制造业的实际应用中还存在大量的技术难题。如：经济性、信号干扰、识别率的提高、信息安全和隐私保护、标准化等问题。

随机测试有很大的优势，因为输入信号是随机的！ 因此不需要开发测试用例。 特别是在基于模型的测试框架中，有一个作为参考和操作代码（C 代码或任何其他实现）的需求模型（Simulink 模型）。 可以将相同的随机信号注入模型和代码中，并且可以调试任何故障。 可以使用任意数量的随机信号进行测试，直到发现错误或对其模型和代码充满信心。 持久性算法的随机测试示例可以在以下位置找到： http://www.mathworks.in/matlabcentral/fileexchange/39720-safety-critical-control-elements-examples 此提交包含几个函数来生成随机布尔信号、正弦波、正弦扫描和完全随机的波形组合。 还有噪声注入脚本，可插入随机噪声信号和输入信号的随机区域。 有关函数使用的示例，请参阅提交的文件 Sample1.m。

SIM卡封装， SD卡封装， TF卡封装，基于Altium Designer16

本实现的目的是比较和总结报告的主要混合算法：[1] Deng、Xi、Bin Xie 和 Feng Xiao。 “边界变化减少（BVD）算法的一些实用版本。” arXiv 预印本 arXiv:1708.01148 (2017) 和 [2] Deng, Xi, et al. “具有移动界面的可压缩多相流的高保真不连续性解决重建。” 计算物理学杂志（2018 年）。 其中 WENO5 和 MUSCL 方法通过边界值递减 (BVD) 算法与 THINC 重建混合。 与往常一样，编写这些代码片段是为了让它们可读而不是完全优化的代码。

车辆二自由度（三种方式），三自由度，四自由度车辆模型，参数齐全，可完美运行，绝不忽悠！(Vehicle two degrees of freedom (three ways), three degrees of freedom, four degrees of freedom vehicle model, complete parameters, perfect operation, never fooling!)

本文提出一种基于核SMOTE(Synthetic Minority Over-sampling Technique)的分类方法来处理支持向量机(SVM)在非平衡数据集上的分类问题.其核心思想是首先在特征空间中采用核SMOTE方法对少数类样本进行上采样,然后通过输入空间和特征空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练.实验表明,核SMOTE方法所合成的样本质量高于SMOTE算法,从而有效提高SVM在非平衡数据集上的分类效果.