神经网络自适应PID控制及其应用总结来自重庆大学宋永瑞教授2022暑期校园行学术会议1.研究背景  目前人工智能的发展为很多领域里的研究提供了可延展性，提供了新的研究问题的思路，无人系统和人工智能正走向深度融合，无人系统里具有核心驱动作用的智能控制算法的研究成为了热点问题。人工智能的理论深度依赖人工神经网络，而人工神经网络又是人工智能的核心支撑，先进的控制系统实现了可靠的无人系统的底层支撑，当人工智能与无人系统深度融合时，可以使得实现一个可信、可靠、通用、普适的神经网络驱动的控制系统变得具有很强的可行性，所以，智能无人系统的一个热点就是聚焦于神经网络驱动的控制系统功效性及可靠性的研究。2.PI

本文涉及：Windows操作系统，Python，PyQt5，QtDesigner，PyCharm目录一、自适应原理 二、基础布局示例三、高级布局示例：布局嵌套布局四、其它特殊控件自适应补充1. tableWidget 2.未完待续…五、结语一、自适应原理     自适应其实很简单，只要搞懂原理，你就能随心所欲地去布置你的页面了。        它的基础是布局，有了布局，再在布局中放置各种控件，我们就能让控件实现自适应的效果，即：不管是点击最大化按钮之前还是之后，控件的大小比例都能跟随窗口大小的变化而变化。    先了解一下布局，主要有以下3种：水平布局（H）里面的控件会水平排布，即从左到右放置

Masonry和SDAutoLayout不同：SDAutoLayout需要上下左右四个方向都显示性的进行约束，虽然当高度和宽度自适应时，可以少一个高度约束，但是也应有对应布局处理设置。因为标签是有顶部和底部空白间隙的，通常高度比字体大小大一些（当字体很大时的粗体差别很大），当设置的高度比标签实际高度小时，标签的顶部和底部被截取。当然它也有好处，就是严格按照布局高度实现ui.而Masonry并非上下左右四个方向都设置约束，一般2到3个不重复方向的约束就可以（没有就采用默认值推导）。就是设置上下左右的约束，它实际的标签也是按照标签的实际显示高度上下留空白，这样就造成和UI有稍微一点高度的偏差。可见

1.宽高自适应举个例子看看什么是宽高自适应，（1）先正常创建一个div标签，有宽和高： 结果：（2）去掉div的宽度，观察结果 结果：结果占满了整个屏幕，根据两个结果的对比，取消宽度，宽度就占满了全屏，这就是宽高自适应，会根据页面的需求自动调整宽和高，width不设置或者设置为auto，就是自适应，会根据需要的大小自动调整，一般网页都是这样做，如果设置了具体的数值那么宽度就设定死了。一般宽度自适应经常用在：导航栏、 通栏布局高度自适应也是不写或者auto，自适应的高度，都是里面的内容撑开的，里面内容多，高度就高，内容少高度就低，但是如果有时候没内容，高度就很低，在某方面不太美观，我们可以给高度

文章目录1.自适应阈值分割介绍2.自适应阈值函数参数解析3.高斯概率函数介绍4.自适应阈值分割核心代码5.自适应阈值分割效果展示6.参考文章及致谢1.自适应阈值分割介绍  在图片处理过程中，针对铺前进行二值化等操作的时候，我们希望能够将图片相应区域内所有的信息提供保留。实验室环境下，相应的素材是模板化的，但是将实验室方法应用于现实环境中时，我们会发现光影环境对于效果的影响其实是很大的。在这种情况下进行处理，会使得结果不如人意：一块黑，一块白，且黑的区域的特征无法提取。这时候自适应阈值算法尤为重要。与全局阈值不同，它更加注重上下文关系，将原本图片分割成更小的区域进行判断，极大地降低了阴影对于图片

总结了使用PythonOpenCv处理图像直方图均衡化(HE)，自适应直方图均衡化(AHE)，限制对比度自适应直方图均衡化(CLAHE)的方法。目录直方图均衡化(HE)自适应直方图均衡化(AHE)限制对比度自适应直方图均衡化(CLAHE)代码测试结果场景1场景2直方图均衡化(HE)HE直方图增强，大家都不陌生，是一种比较古老的对比度增强算法。通过equalizeHist()可以实现图像的直方图均衡，它是一种全局直方图均衡，考量的对象是整幅图像。接口形式：cv2.equalizeHist(src[,dst])->dst参数含义：src：输入图像，8bit单通道；dst：均衡后的输出图像，类型同s

这里给大家分享我在网上总结出来的一些知识，希望对大家有所帮助下图这个情景，你是否也遇到过？当你右键点击网页上的某个元素时，弹出的菜单被屏幕边缘遮挡了，导致你无法看清或选择菜单项？上图中右键菜单的选项并不是固定不变的，它会根据不同的元素或场景来显示不同的选项。也就是说，菜单的内容和大小都是动态生成的，而不是预先设定好的。这就给我们调整菜单位置带来了一定的难度，不过当你看完这篇文章所有的问题都不再是问题。分析问题遇事不决先画图，我们要解决的问题本质上就是菜单生成的位置，所以我们画个图来找一下头绪：我们通过上图可以知道，菜单能否在视口中放得下，取决于两个条件：windowW(视口宽度)-mouseX

图像二值化一、阈值概念阈值：简单来说就是一把分割图像像素的标尺，在二值化处理中有固定阈值和自适应阈值两种形式。那么什么时候用固定阈值，什么时候使用自适应阈值呢？答：当图像质量较好，且目标和背景容易区分时，可以采用固定阈值当图像质量差，且有阴影过度，虽然使用大津法和三角形法也可以自己寻找阈值，但整个图像阈值都是相同，所以最终分割效果较差。所以，可以用自适应，或者将整个图像分割成几行几列，对每个部分运用大津法或者三角形法，最后将图形整合，这样每一部分的阈值就不相同，分割效果也会更好。二、固定阈值二值化threshold（）double**threshold**(​InputArraysrc,Out

1.算法原理流程图自适应中值滤波硬件框图如下。2.5x5窗口产生3x3窗口中值滤波参考比较多，这里不做介绍。图像数据是一个一个输入进来的，要实现5x5的模板，就首先必须要保证能同时能对5行图像数据进行获取，这样就必须要对图像数据进行行缓存，咋一看，5x5模板需要缓存5行，其实不然，缓存4行后，接下来输入进来的数据就是第5行的数据了，这样就实现了5行数据同时存在的情况了，对行缓存区的要求是左端进入一个数据，右端出来一个数据，这个要求与移位寄存器有些类似。Vivado中通过调用IP核叫RAM-baseShiftRegister即可实现5行数据移位寄存。因为使用的是720p图像做处理，这里使用IP核

假设我有一个通过Migration和SchemaBuilder创建的users表，如下所示:publicfunctionup(){Schema::create('users',function(Blueprint$table){$table->increments('id')->unsigned();$table->string('name',50);$table->string('email',50)->unique();$table->string('password',100);$table->enum('is_suspended',['yes','no'])->default(