陈希孺院士的经典书籍。
《高等数理统计学》的定位是“基于测度论的数理统计学基础教科书”，内容除预备知识外，主要是关于几种基本统计推断方式（点估计、区间估计、似设检验）的大小样本理论和方法，另有一章讲述线性模型的初步理论。
《高等数理统计学》的最大特色是习题及其提示的安排，占了近半的篇幅，其中除少量选摘自有关著作外，大半属作者自创，有很高的参考学习价值。
《高等数理统计学》可作为高等学校数理统计专业的教材，也可供相关专业人员作为参考用书。
总序序第1章预备知识1．1样本空间与样本分布族1．2统计决策理论的基本概念1．3统计量1．4统计量的充分性附录因子分解定理的证明第2章无偏估计与同变估计2．1风险一致最小的无偏估计2．2cramer-Rao不等式2．3估计的容许性2．4同变估计附录第3章Bayes估计与Minimax估计3．1Bayes估计——统计决策的观点3．2Bayes估计——统计推断的观点3．3Minimax估计第4章大样本估计4．1相合性4．2渐近正态性4．3极大似然估计4．4次序统计量第5章假设检验的优化理论5．1基本概念5．2一致最优检验5．3无偏检验5．4不变检验第6章大样本检验6．1似然比检验6．2拟合优度检验6．3条件检验、置换检验与秩检验第7章区间估计7．1求区间估计的方法7．2区间估计的优良性7．3容忍区间与容忍限7．4区间估计的其他方法和理论第8章线性统计模型8．1最小二乘估计8．2检验与区间估计8．3方差分析和协方差分析附录矩阵的广义逆习题

这是本人本科做的毕业设计，根据opencv里面人体检测的HOG代码改写，加上了完整的注释（opencv里面是没有任何注释的），并且增加了样本的训练（代码中只提供了PCA50-HOG的检测算子，如有其它需要可以自行训练），线性检测时使用线性SVM优化，高斯检测时使用PCA的降维。
同时对候选区域整合代码做了简化处理。
最后感谢网上的各位好心人提供的各类资源，在毕业设计过程中给予了我很大协助。
鉴于网上仍然还有若干未解决的问题，今天把我所做的也分享给大家，希望能给还在探索ing的朋友一些启发。
如果有任何问题请留言或者email。

本文设计了一种基于支持向量机（SVM）的运动目标识别算法，以对运动目标进行准确的识别和分类。
鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。
利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树构成多分类器。
对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。
实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。

单因素方差分析，单因素方差分析是两个样本平均数比较的引伸，它是用来检验多个平均数之间的差异，从而确定因素对试验结果有无显著性影响的一种统计方法。
[编辑]单因素方差分析相关概念因素：影响研究对象的某一指标、变量。
水平：因素变化的各种形态或因素变化所分的等级或组别。
单因素试验：考虑的因素只有一个的试验叫单因素试验。

jpg格局一万多张20*20像素训练人头样本库必备jpg格局一万多张20*20像素训练人头样本库必备

在无标记增强现实中，基于视觉即时定位与地图构建，结合ORB特征提取算法和顺序抽样一致性，提出了一种改进的注册方法。
利用相似函数衡量匹配样本点对之间的差异性，从具有最高质量函数的数据子集中抽取样本，得到较优的匹配点对，完成了三维地图重建过程中的平面检测。
通过奇异值分解，实现了虚拟物体的方向和位置控制；
结合相机的位姿估计，完成了虚拟物体的注册。
实验结果表明，所提方法的平均注册效率提高了34.5%。

伺服机电样本

完成录制wav音频，并可随意选择采样率，样本精度。

使用2D卷积神经网络+LSTM实现视频动作分类，包括两类视频训练样本，每一类共100多个。
使用pycharm即可导入运行，精确率并不高，可以自行修改优化

本人训练SVM分类器进行HOG行人检测.环境为VS2010+OpenCV2.4.4.使用时请自行修改工程的include目录和lib目录配置。
正样本来源是INRIA数据集中的96*160大小的人体图片，使用时上下左右都去掉16个像素，截取中间的64*128大小的人体。
负样本是从不包含人体的图片中随机裁取的，大小同样是64*128。
SVM使用的是OpenCV自带的CvSVM类。

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。