前情提要：由于上一篇文章Parametric Identification of Temporal Properties中的算法效率复杂度过高，因此找到了这一篇文献看看是否有更高效的算法。主要参考文献：Alexey Bakhirkin, Thomas Ferrère, and Oded Maler. 2018. Efficient Parametric Identification for STL

前言：基于决策树的结构学习方法在最近的文献中比较普遍，今天来精读一下这篇文章。主要参考文献：Bombara, G., Vasile, C.-I., Penedo, F., Yasuoka, H., & Belta, C. (2016, April 11). A Decision Tree Approach to Data Classification using Signal Tempor

记录一下图像处理课的小作业，由于还没有到截止时间（12.17号再贴出来）代码就就先不放出来啦区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。步骤一：对图像进行高斯平滑步骤二：通过交互操作在图中选取种子点作为初始待处理点，用

记录一下图像处理课的小作业，由于还没有到截止时间（12.17号再贴出来）代码就就先不放出来啦区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。步骤一：对图像进行高斯平滑步骤二：通过交互操作在图中选取种子点作为初始待处理点，用