M3U8-Downloader

获取M3U8视频地址 在chrome浏览器打开视频网页，按下F12,页签点击到Network页面，在Filter框里输入"m3u8",然后按F5刷新页面，如果网页里的视频使用的是HLS源，就可以在这里捕获到视频流地址，然后选中右键 Copy -> Copy Link Address. 提供m3u8源地址，下载并无损转码Mp4文件

java调用swing生成柱状图

图形界面，把版本1的过程改为图形化显示。在文本框下提示用户输入文件名，然后以 统计直方图的形式显示每个字母的出现频率。运行示例:

python实现二叉树的创建、前序遍历、中序遍历以及层次遍历

实现链式存储二叉树构建，完成查找、求树高度、中序遍历、先遍历、后序遍历和层序遍历的程序，给出算法的时间和空间复杂度。

java创建上衣类上衣类继承服装类，并满足以下要求

创建上衣类 上衣类继承服装类，并满足以下要求: 1、上衣类增加风格的私有属性 2、增加相应的getXxx()和setXxx()方法，增加相应的构造方法。 3、重写父类的输出方法，输出的服装信息要增加风格的说明。 4、增加新的无参方法，根据服装的风格输出:通勤风:适用于日常上下班穿着;学院风:适用于在校学生;百搭:适用于任何场合穿着。

JAVA创建测试类ClothingDemo,初始化三种品牌的上衣信息，例如:(品牌:优衣库类型:风衣价格:399风格:通勤风)

创建测试类ClothingDemo，实现如下功能: 1、初始化三种品牌的上衣信息，例如:(品牌:优衣库类型:风衣价格:399风格:通勤风) 2、将三种服装存入到集合中，要求泛型。 3、输出集合中的所有服装信息。 4、显示集合中百搭风格的服装信息。 5、输入任意服装类型(如连衣裙)，在集合中查找是否存在该服装类型。 6、查找服装价格小于200的服装信息。

学生住宿信息管理系统——C语言

学生住宿信息管理系统 要求： (1）学生信息包括：姓名、学号、年龄、性别、学院、专业、年级等。 (2）宿舍信息包括：宿舍编号、宿舍楼名、楼层号、宿舍类型（二人间、四人间、六人间、八人间）、收费标准等。 (3）住宿信息包括：学生、宿舍、入住时间、是否欠费等。 (4）完成以下的操作：学生信息和宿舍信息的添加、修改、浏览、删除和查询、学生入住、缴费信息的维护与宿舍信息查询、学生住宿信息浏览与查询。

设计一个学生类Student（学生学号、姓名、数学、英语、计算机成绩；）

1.设计一个学生类Student。 1)数据成员包括： 学生学号、姓名、数学、英语、c语言成绩；(用字符指针存储学号和姓名，通过动态存储空间分配的方式为指针开辟指向的空间，保证空间大小没有浪费) 2)成员函数包括： 设置学生每门课成绩的函数 setScore()；计算三门课程平均成绩的函数average()；分别用来设置和获取学生各个属性值的set()和get()成员函数(例如：设置数学成绩的成员函数setMath().返回数学成绩的成员函数 getMath())；计算三门课程总成绩的函数sum()；显示学生数据信息的函数print()；(注意：以上成员函数均为提示名称，是否需要参数请同学们根据实际情况酌情添加) 3)在该类中定义无参构造函数、带参构造函数、拷贝构造函数和析构函数。(注意构造函数中资源的分配以及析构函数中资源的释放) 4)编写主函数，分别练习对象、对象指针、对象数组、对象引用的使用；借助构造与析构函数测试并验证不同对象的生存周期； 5)熟悉this指针，测试什么样的成员函数有this指针，什么样的成员函数没有this指针。 6)借助student类验证常对象、常成员以及

C++递归下降解析器（编译器设计课）

通常，我建议编写解析器的人使用解析器生成工具，例如bison和flex。但是对于小语言，建议编写自己的递归下降解析器。 为了说明如何编写递归下降解析器，我将向您展示我不久前为INI样式配置文件编写的解析器。有问题的解析器是 cfg 库的解析器： Parser.h 解析器.cpp 解析器剖析 但在我们进入代码之前，先做一点理论。 解析器通常分为两位，词法分析器（词法分析器）和实际解析器。词法分析器从文件或任何其他源中获取字符流，并将其转换为标记流。然后，这些令牌由解析器使用，并转换为抽象语法树 （AST）。 如果要为编程语言编写编译器，则现在将 AST 传递给优化器和代码生成器。但是，在读取简单数据时，您省略了这些步骤，而只是生成数据。 cfg 格式 cfg 格式类似于 INI 格式，但语法不宽松。 例如： # Default Configuration [Graphic] width = 800 height = 600 fullscreen = false [Input] forward = W backward = S left = A right

基于平滑粒子滤波的似然近似法预测锂离子电池剩余有效寿命

准确预测锂离子电池(LiBs)的剩余使用寿命(RUL)是管理其健康状况的一个关键方面，以促进可靠和安全的系统，并减少计划外维护的需要和成本。近年来，关于RUL预测的研究主要集中在提高RUL预测的准确性和可靠性上。提出了一种基于光滑粒子滤波(SPF)的似然近似方法在线预测LiB的RUL值。该算法通过每次迭代求解优化问题，能够准确估计未知退化模型参数，预测退化状态，而不是只采取梯度步骤，易于快速收敛，避免了不稳定问题，提高了预测精度。根据NASA卓越预测中心(PCoE)公布的实验数据集，我们创建了一个二阶退化模型，利用非线性特征和非高斯容量退化来探索LiB的退化。用不同的预测起点对RUL预测进行检验，以评估数据量和参数的不确定度是否会影响预测的准确性。结果表明，与粒子滤波(PF)和无迹粒子滤波(UPF)等方法相比，该预测方法的预测精度有所提高，收敛速度有所提高。由于SPF预测方法的最大误差相对较小，在80个周期的预测起点上，最佳情况下RUL预测为127个周期。该算法的预测相对误差约为0.024，绝对误差约为2个周期，低于PF算法的16个周期左右。RUL预测接近108个周期，相对误差约为0.

下载并预处理 道路（ROAD ）数据集

在这里，我们提供ROAD数据集的下载和预处理说明，该指令通过我们的TPAMI论文发布：ROAD：用于自动驾驶的ROad事件感知数据集，并使用3D-RetinaNet代码作为基线，其中还包含评估代码。ROAD 数据集将在 ROAD 挑战中使用。 主要特点 人为以及其他道路代理的动作注释，例如右转，移动等。 代理类型标签，例如行人、汽车、骑自行车者、大型车辆、紧急车辆等。 代理位置的语义位置标签，例如在车道、右侧路面等。 22 个带注释的 22 个视频中的 122K 帧，每个视频平均长度为 8 分钟。 为场景中每个代理的每一帧上的每个边界框注释的轨道/管 ID。 单个代理的 7K 管/轨道。 每个管子平均由大约80个边界框组成，随着时间的推移连接在一起。 559K 边界框级代理标签。 641K 和 498K 边界框级操作和位置标签。 122k还标注了AV的自我/自我行为，例如AV-on-the-mov，AV-Stopped，AV-turn-right，AV-Over-over-overing等。 归 因 ROAD数据集建立在牛津机器人汽车数据集（OxRD）的基础上。如果您发现原始数据集在