本课程主要介绍视频编解码的基础知识，并详细讲解新一代视频编解码标准HEVC。
涉及到的课程内容有：数字视频格式、HEVC编码结构、帧间帧内预测、残差变换、残差变换系数量化、环路后处理、熵编码等。

学生体质测试大数据可视化系统基于初步开发的学生健康管理系统，开展学生体质测试大数据可视化分析，分析当代大学生的运动情况与体质改善的量化关系，对人群进行聚类、分类，并开发各种有效的分析工具，包括有效的上卷、下钻OLAP工具。
要求：（1）开发可视化工具；
（2）可视化数据分析、报表生成；
（3）实现系统1.数据库是mysql2.开发工具eclipse3.java编程框架使用ssh4.前端html/css5.使用echart6.有登录界面7.有展示界面:根据选择的展示方式呈现不同类型的图表，例如折线图，表格，柱状图，饼状图等，包括的展示图有各年级男生1000m花费时间以及成绩展示，各年级女生800m花费时间以及成绩展示，男女生50m成绩以及花费时间展示，各年级学生总分展示，各年级男女生跳远距离以及分数展示，各年级男生引体向上个数以及成绩展示，各年级女生仰卧起坐个数以及成绩展示，各年级坐位体前屈长度以及分数展示，各年级学生肺活量以及分数展示。
（每一张展示图都可以切换不同类型的图表来展示，选3-4个实用的就行）

Matlab关于人工神经网络在预测中的应用的论文二-人工神经网络模型在研究生招生数量预测中的应用.pdf四、灰色人工神经网络人口总量预测模型及应用摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。
对2005年至2007年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。
关键词：人口总量；
灰色系统；
BP人工神经网络；
灰色人工神经网络模型引言：本文从影响人口增长的诸多因素中筛选出6个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（GreyArtificialNeuralNetwork，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6个指标进行非线性组合得到人口总量的预测结果。
该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。
中间内容省略~结语：由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；
在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；
同时，通过实验证明该方法不但比传统的FCM算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。
由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。
灰色人工神经网络人口总量预测模型及应用.pdf五、人工神经网络模型在研究生招生数量预测中的应用摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。
尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。
关键词:黑龙江省;研究生招生;预测;人工神经网络模型引言：关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。
这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。
以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。
这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。
本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。
中间内容省略~结语：采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。
人工神经网络模型在研究生招生数量预测中的应用.pdf六、基于RBF人工神经网络模型预测棉花耗水量摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。
可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。
关键词：预测；
人工神经网络；
径向基函数；
棉花耗水量引言：计算机人工神经网络是20世纪8

包含自己做的一个presentation，和相关的参考文献，shuffleNet，MobileNetv1Mobilev2,等

在做系统的过程中会遇到需要对整个系统做测试的情况,包括一些基准测试,容量测试,压力测试等。
如何做一份精致的性能报告书,在测试过程中有哪些量化指标...

24位真彩色图转256色位图，八叉树颜色量化

DCT系数量化对图像质量影响的matlab代码实现，其中有代码注释，测试图片。
（使用8×8的DCT变换）

ac_decode.m 对AC系数进行Huffman解码ac_encode.m 对AC系数进行Huffman编码bin2int.m 将二进制数转化成整数dc_decode.m 对DC系数进行Huffman解码dc_encode.m 对DC系数进行Huffman编码dec2bit.m 将十进制数转换为制定位数的二进制码流dez.m ZigZag扫描divq.m对输入矩阵进行量化dpcm.m 差分预测编码int2bin.m 将输入整数转换为二进制数idivq.m 反量化jpeg_decode.m 解码的可执行程序jpeg_encode.m 编码的可执行程序其中jpeg_encode.m和jpeg_decode.m分别是编码和解码的可执行程序。
直接运行这两个程序就可以得到压缩比和峰值信噪比。
可修改两个程序中的路径改变被压缩的照片。

Word2Bits-量化词向量Word2Bits扩展了Word2Vec算法，以输出高质量的量化词向量，该向量的存储量比常规词向量少8到16倍。
在阅读详细信息。
什么是量化词向量？量化词向量是词向量，其中每个参数是2^bitlevel值之一。
例如，“国王”的1位量化矢量看起来像0.333333340.333333340.33333334-0.33333334-0.33333334-0.333333340.333333340.33333334-0.333333340.333333340.33333334...由于参数限制为2^bitlevel值之一，因此每个参数仅使用bitlevel位来表示；
这大大减少了词向量占用的存储量。
下载预训练的单词向量所有单词向量均为Glove/Fasttext格式（格式详细信息）。
使用gzip压缩文件。
每个参数位

（1）分别用LSB算法和量化水印算法将信息嵌入，在失真度一样的情况下，加入高斯噪声和椒盐噪声，比较提取出来的信息效果。
（2）分别对图像进行DFT、DCT、DWT处理，比较逆变换后的效果。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。