MataLab-GUI编程初探

Matlab系列之GUI设计基础 Matlab系列之GUI设计基础简介编辑界面菜单设计控件设计控件描述个人理解Matlab转译控件属性【1】外观与行为【2】控件对象的信息【3】回调函数【4】状态信息结束结束更多精彩,等你发现~ 简介 GUI即图形用户界面(Graphical User Interface),人机交互的一种方式,可以简化用户的操作,比如只需要点点窗口上的按键或者菜单选择等等,就可以实现一个复杂的功能,有点类似黑盒的操作吧。 本篇将主要介绍GUI的使用,以及一些功能,后续的篇章再使用GUI来设计实例。 打开GUI可以在Matla 阅读详情

由于毕设的原因所以需要将Matalab中的GUI工具
这里对使用的GUI功能进行简单的介绍和总结

1.新建-图形用户界面-BlankGUI(空白GUI)
如图
图形用户界面
(像VB一样,拉画面)

2.比较重要的属性
a.tag 组件的名字(编程时使用函数,获取的变量名)
b.handles 句柄语句,可以获取到界面内所有的组件对象
如:handles.canvas(获得画布对象),handles.week_data(获得输入周数文本框的对象)…

3.编写程序(主要使用回调函数进行)
点击需要触发的组件
图形用户界面
查看-查看回调(最后一个)-Callback

回调函数内容

function week_Callback(hObject, eventdata, handles)
% hObject    handle to week (see GCBO)
% eventdata  reserved - to be defined in a future version of MATLAB
% handles    structure with handles and user data (see GUIDATA)
clc
weekData = str2num(get(handles.week_data,'String')); 
load test1.mat;
axis auto;

通常是 function xxx_Callback(hObject,eventdata,handles)
hObject.属性 (可以更改本组件的属性)
handles (句柄语句,相当于全局变量)
eventdata (事件数据,事件资料)

回调函数内相关代码和M文件中的编写是一样的。

4.获取文本框的内容,将结果绘制到axe
获取文本框的内容
weekData = str2num(get(handles.组件tag,’String’));
%转换为数字
将结果绘制到axe
plot(handles.canvas,x,y)
%第一个参数选择,所需要填充的画布
cla(相关画布变量)
%清除画布

matlabGUI入门 1 基础知识 1.1 函数 1.2 数据类型 1.3 绘图 1.4 其它 2 GUIDE 2.1 创建GUI界面 2.2 模板选择 2.3 控件 2.4 对象浏览器 2.5 回调函数 2.6 属性检查器 2.7 数据传输 由窗口、菜单、图标、光标、按键、对话框和文本等各种图形对象组成的用户界面叫作图形用户界面(GUI)。它可以允许用户定制与MATLAB的交互方式,从而命令窗口不再是唯一与MATLAB的交互方式。用户通过鼠标或键盘选择、激活这些图形对象,使计算机产生某种动作或变化。 阅读详情

相关推荐

Matalab— 单目标定(手动)

Matlab 单目标定 1.在 Matlab 命令行窗口输入并执行:cd C:\pic-左(输入命令后,按下回车键执行命令),当前文件目录被设置为 C:\pic-左,根据自己拍摄的图片路径来执行的。 2.在 Matlab 命令行窗口输入并执行:calib_gui 3.点击:Standard(all the images are stored in memory),弹出如下界面: 4.点击标定工具箱界面:Image names,在 Matlab 命令行窗口输入并执行:Left,(这里是根据自己图片的命名来输

weixin_45127969的博客 2142

Mtalab的GUI设置的简单示例

目录一、GUI示意图1、作用2、注意点二、代码 一、GUI示意图 1、作用 可以根据解锁等级来计算相应的key 2、注意点 1)解锁等级的互斥 2)未选解锁等级时的弹窗提醒 3)输入key的不合法报错(try, catch, retun结合使用) 二、代码 classdef MainGui < matlab.apps.AppBase % Properties that correspond to app components properties (Access = public)

qq_21155583的博客 784

MATLAB 画飞机三维运动轨迹工具箱

用于MATLAB画飞机三维运动轨迹仿真结果的工具箱,将文件夹放在自己代码的路径下,将其添加进path中就可以调用,方便简单,里面有12中飞机的外形模型,阅读工具的说明,里面还有关于调整光照的说明

MATLAB:简单GUI的设计流程

下面来介绍一下关于MATLAB中如何设计个性化GUI界面的流程: 1、首先打开MATLAB软件如下: 2、在 主页下的“新建”选项中选择新建一个图形用户界面(GUI),结果如下: 3、这是我们选择第一个“Blank GUI(Default)” ,点击确定按钮,如下所示: 4、这个就是我们进行GUI设计的主窗口, 此时我们先点击运行按钮,会弹出保存对话框,只需保存在你想要的路径下...

跑得动就不要歇着 8万+

MATALAB实现信道编码,主要包括实验操作界面制作以及循环码和卷积码编译码。

本文根据循环码和卷积码的编译原理, 结合MATLAB 语言,编写了这套教学实验软件。每次启动MATLAB 系统时,系统自动执行startup. m 文件,根据这一点,将开始界面文件命名为startup . m , 并且和本教学实验系统软件的其它文件一起,都放在MATLAB 安装文件的work 子目录下。运行时只须用鼠标双击MATLAB 安装文件的可执行文件图标即可,双击后请 稍等,操作界面自行弹出,本实验即可进行,实验者无需掌握如何使用MATLAB 软件。整个实验操作简单、直观,实验效果明显。

matalab7.0 GUIDE创建GUI

atalab7.0 GUIDE创建GUI

Matlab GUI界面设计

摘要:本篇博文基于MATLAB2014a进行GUI设计。

志朋先森的博客 14万+

检索增强世界模型(R-WoM)原理与应用实践

世界模型是AI系统理解环境的核心技术,通过构建环境的内部表示实现状态预测和行动规划。传统方法基于RNN或VAE等神经网络,而检索增强世界模型(R-WoM)创新性地引入检索机制,结合外部记忆库提升系统性能。这种架构突破模型参数限制,使AI能像人类一样利用历史经验解决问题,在游戏AI、虚拟助手等场景表现优异。关键技术包括FAISS相似性搜索、分层记忆管理和动态检索策略,其中Transformer编码器和GRU动态模型的组合实现高效环境建模。实践表明,该方法可提升47%的战术多样性,加快32%的应急响应速度。

weixin_42676876的博客 341

新手怎么用Matlab 图形界面GUI编程

一、进入GUI编程界面 matlab有两种进入gui编程界面的方法,一是单击主界面的图标进入,二是在命令栏输入guide后按回车进入。 进入GUI编程界面后选择Blank GUI --> 确定就进入 一个空白的GUI编程界面。 可以看到左边有一些常见的编程控件,如按钮、滑动条、坐标轴等,右上角有运行按钮,单机即可运行。 二、制作一个简单的可变频率的正弦信号显示器。 1....

小流氓的博客 1万+

基于IDEA与Mill构建Windows下的Chisel开发环境——香山处理器源码解析实战

本文详细指导如何在Windows系统下使用IDEA集成开发环境和Mill构建工具搭建Chisel开发环境,并以香山处理器源码为实战案例进行解析。内容涵盖环境准备、源码获取、工程构建、IDEA配置优化及代码阅读技巧,帮助开发者高效学习硬件设计语言。

a1b2c3d的博客 718

使用在UE5中使用AirSim插件Eigen库头文件引用报错,出现报错的解决方式

如图所示,用红线圈出的两条头文件引用会报错,提示无法找到他们,但是可以发现的是,他们的路径书写是没有问题的。在终端中运行时候,会出现如下的报错。

GFCLJY的博客 1008

matlab gui--数学建模长江水质的查询

第一此参加数学建模,接触到了matlab,后来又接触到了gui,我与它之间之间的爱恨情仇简直可以写成一本书了,但是这里我就不写书了,我还是直接贴代码吧。 我的感言: 下面是我的全部代码,之所以全部贴而不只贴一部分是因为在这之前我的学习经历,很多大佬写笔记都只写关键一部分,其他地方就什么都省略了,虽然自己都懂,但对于我这种初学者来说学习起来还是很困难的,主要是不能模仿自己试着编译。所以我贴出了所有的...

@ZhengLan的博客 2234

L298N电机驱动模块的接线使用与代码实现

#include "iostm8s208mb.h" #define u8 uint8_t #define u16 uint16_t #define u32 uint32_t typedef unsigned char uint8_t; typedef unsigned short uint16_t; typedef unsigned long uint32_t; // 关于LED灯的宏定义 #define LED2 PI_ODR_ODR2 //输出量 #define LE

Clichong 13万+

MATLAB制作GUI(1)-计算器的实现

处于兴趣自己开始学习MATLAB制作GUI,希望在以后的科研生活中用到这项技术。下面,我将介绍自己学习制作的第一个GUI——计算器。 首先在MATLAB命令行窗口中运行guide命令,会出现GUI新建窗口: 选择第一个Blank GUI选项,进入GUI编辑界面:  其中红框框选的就是常用的一些操作,如:添加静态文本、动态文本、按钮等操作。 之后开始制作计算机,在GUI编辑器上添加三...

qq_35166974的博客 2万+

科研绘图系列:R语言折线图(linechart plots)

科研绘图系列:R语言折线图(linechart plots)

专注生信领域 1272

B.3【智能标注】:基于Labelstudio的UIE半监督深度学习的智能标注方案(云端版),提效。

Label Studio 所提供的 Machine Learning Backend 提供了一个比较灵活的辅助人工标注的框架,我们通过它确实可以加快 nlp 数据的标注Label Studio 的 enterprise 版本提供了 Active Learning 的流程,不过从其描述看这个流程并不完美,尤其是 fit 部分,由于 Label Studio 低估了「Train」所花费的时间,所以每次标注都自动训练的流程可能并不会那么顺滑(会在链接时候等待一段时间)

丨汀、的博客 1840

python自动抢单机器人_用python实现的一个自动聊天的机器人

Ubuntu16&period;04 安装MATALAB R2015b教程1.安装 将镜像文件内文件解压出来,添加执行权限,否则执行 ./install指令会出错 chmod -R 777 MATALAB 执行如下指令 ./install 2.填入补丁内的密匙 在Matla ...&lbrack;SQL入门级&rsqb; 接上篇,继续查询距离上一篇时间隔得蛮久了,这篇继续查...

weixin_39609650的博客 1058

C#上位机部署YOLO模型:ONNX转换+推理加速+内存优化全攻略

本文针对C#上位机部署YOLO模型的三大痛点,提供从模型转换到优化部署的完整解决方案。首先介绍将YOLO模型转换为ONNX格式的必要性和方法,包括自动和手动两种转换方案及常见问题解决。然后详细讲解C#环境配置和基础部署流程,包括图像预处理、模型加载、推理计算和结果解析。最后提出推理加速和内存优化策略,通过硬件适配、多线程处理和资源复用等技术手段,实现工业场景下的高效稳定运行。全文提供可直接复用的代码片段和实测验证方案,覆盖YOLOv5/v7/v8全版本,帮助开发者快速实现轻量化部署。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 786

matlab猜数字游戏程序,matlab编程之GUI猜数字游戏.doc

matlab编程之GUI猜数字游戏GUI猜数字游戏%主程序是guessthenumber,在matlab环境下完,每次输入四个不同的0~9之间的数组成的数组,%如果与系统生成的四个数相同且位置也一致,则输出祝贺信息和猜的次数,如果没有猜中,%则输出提示信息function y = guessthenumber()randNumber = zeros(1,4);for i = 1:4?genFlag...

weixin_32259601的博客 663

Python量化交易:主流回测框架Backtrader入门详解

Python量化交易框架Backtrader入门指南 Backtrader是一个功能强大的Python量化回测框架,可以帮助交易者专注于策略逻辑而非基础设施。本文介绍了Backtrader的核心架构和使用方法: 框架优势:自动处理订单执行、手续费、滑点、仓位管理等复杂问题,采用事件驱动模式接近真实交易场景。 核心组件: Cerebro:控制中心 Strategy:交易策略 Data Feed:数据输入 Broker:模拟经纪商 Indicators:技术指标 使用流程: 安装:pip install bac

Science prince的博客 936

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

matlab2019b的gui界面在哪_2019年matlabgui初学者教程

什么是GUI呢?GUI是GraphicalUserInterface图形用户界面的意思。象很多高级编程语言一样。Matlab也有图形用户界面开发环境。随着计算机技术的飞速发展。人与计算机的通信方式也发生的很大的变化。从原来的命令行通讯方式(例如很早的DOS系统)变化到了现在的图形界面下的交互方式。而现在绝大多数的应用程序都是在图形化用户界面下运行的。记得读书的时候。大学开学不久。学校很多同学...

weixin_39869432的博客 1409

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

java matlab GUI_MATLAB的GUI界面基础操作

今天我们来学习如何用MATLAB的GUI界面进行一些简单的操作,因为GUI界面可以很简单的制作界面,按钮系列,直接拖拽即可,而不需要用代码对界面进行编写,只需要对里面的具体功能进行编码,我们今天就运用GUI界面做一个简单的平方运算。首先我们打开MATLAB,在命令行输入guide,打开GUI界面选择第一个 BLANK GUIDE点击确定,进入GUI界面。之后我们选择第三排第一个可编辑文本,创建两个...

weixin_33721696的博客 428

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

matlab函数画图创建gui,如何在MATLAB中的函数内创建GUI?

build a GUI有多种方法,例如使用App Designer,GUIDE或以编程方式创建它(我将在下面说明此选项).了解GUI组件和options available for sharing data between components的different ways to define callback functions也很重要.我偏爱的方法是使用nested functions作为回调...

weixin_29309475的博客 545

【matlab】简要记录在MATLAB的 gui编写中常用的函数知识。

简要记录在MATLAB的 gui编写中常用的函数知识。 MATLABgui 和mfc有点像,但是比mfc的消息传输机制简单些,MATLAB都是一个控件一个响应。 一个控件可以有call back函数,是最常用的:点击按钮时,按钮下的Callback就会执行;拖动滑块时,滑块名下的callback就会执行;一般函数的执行部分都在call back下,可以通过设置控件的call back属性实现。

Trey_优快云 的优快云博客 3683

matlab gui卷积,MATLAB GUI设计(线性卷积和循环卷积的比较--笔记)

原创循环卷积代码,转载需注明出处线性卷积与循环卷积的比较实验目的和要求掌握循环卷积和线性卷积的原理,与理论分析结果比较,加深理解循环卷积与线性卷积之间的关系。实验内容和步骤1) 已知两序列X(n) = ; h(n)=;求两序列的线性卷积和它们的 N 点循环卷积;2)设计一个GUI小软件,对N进行设定和调整,显示的序列(用stem 画出)时域信号图,线性卷积和N点循环卷积的时域结果图,要求N改...

weixin_39692253的博客 700

matlab gui 摄像头,在matlab中GUI环境下通过摄像头读入视频并处理 手记(未完)

目标:在matlab中GUI环境下通过摄像头读入视频并实时处理(实时可能比较困难)1、建立GUI界面,通过摄像头读取视频,并灰度化处理。 完整的m文件如下。(matlab2010a)function varargout = faceDetection(varargin)% FACEDETECTION M-file for faceDetection.fig% FACEDETECTION...

weixin_32230811的博客 1156
上一篇: BP神经网络中的过拟合现象
下一篇: Python学习笔记
我就想叫这个
博客等级 码龄11年 52粉丝 39原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值