人脸检测作为物体检测问题的一个特例,长期以来一直备受关注,已经开始广泛应用到全新人机界面、基于内容的检索、基于目标的视频压缩、数字视频处理、视觉监测等许多领域。
本论文研究的是如何准确地在复杂背景的灰度或彩色图像中测人脸,同时验证了结合肤色等多种信息融合的方法是提高检测速度的有效途径之一。
利用目前较为流行的AdaBoost算法的一个改进算法——GentleAdaBoost算法,设计实现了以这个算法为核心的快速人脸检测系统,系统分训练和检测两部分,训练的最终目的就是得到一多层分类器结构,人脸检测的效率和检测速度在很大程度上是由这种结构形式决定的。
通过一系列的比较得出样本选取、特征选取、核心算法等很多因素影响着多层分类器的结构形式。

weka和libsvm和wlsvm的jar包下载，可以在weka中集成后两者进行svm分类

├─1.计算机视觉简介、环境准备(python,ipython)│computervsion.pdf│CS231introduction.pdf│├─2.图像分类问题简介、kNN分类器、线性分类器、模型选择│2.图像分类简介、kNN与线性分类器、模型选择.mp4│2.初识图像分类.pdf│├─3.再谈线性分类器│3.再谈线性分类器.mp4│再谈线性分类器.pdf│├─4.反向传播算法和神经网络简介│.反向传播算法和神经网络简介.pdf│4.反向传播算法和神经网络简介.mp4│├─5.神经网络训练1│5.-神经网络训练1.pdf│5.神经网络训练1.mp4│├─6.神经网络训练2、卷积神经网络简介│6.神经网络训练2.mp4│神经网络训练2.pdf│├─7.卷积神经网络│7.卷积神经网络.mp4│Lession7.pdf│├─8.图像OCR技术的回顾、进展及应用前景│8.图像OCR技术的回顾、进展及应用前景.mp4│PhotoOCR_xbai.pdf│└─9.物体定位检测物体定位检测.pdf│├─10.卷积神经网络可视化│.卷积神经网络可视化.pdf│10.卷积神经网络可视化.mp4│├─11.循环神经网络及其应用│11.循环神经网络及其应用.mp4│循环神经网络.pdf│├─12.卷积神经网络实战│12.卷积神经网络训练实战.mp4│卷积神经网络实战.pdf│├─13.常见深度学习框架介绍│常见深度学习框架介绍.pdf│├─14.图像切割│14.图像切割.mp4

SpssModeler18简体中文版的使用手册，包含大量应用实例，如怎样建模，多项Logistic回归应用电信业客户分类，时间序列预测宽带利用率，泊松回归分析船只损坏率，Gamma回归拟合汽车保险理陪，SVM细胞样本分类等。

激光机大致分为三大部分组成：1、机械结构2、光电结构3、控制系统一、机械结构：由机身、工作平台、导轨滑块、皮带（或丝杠或齿轮齿条）、传动轴等1、导轨滑块分类以及作用：滚珠直线方轨、滚轮直线导轨。
用于直线往复运动，可在高负载的情况下实现高精度的直线运动。
滚珠直线方轨：速度慢，精度较高。
滚轮直线导轨：即外滑轨、内滑轨。
速度快，精度稍低。
咱们机器常用滑块品牌：台湾上银（HIWIN）、台湾银泰PMI等。
2、皮带：间隙和弹性大使精度稍低，使用寿命短。
皮带传动，传动平稳。
丝杠：分为普通丝杠和滚珠丝杠，其中滚珠丝杠精度最高，价格比较贵，普通丝杠相对精度低，价格也便宜。
丝杠的应用是将旋转运动通过丝母转变为直线运动。
丝杠传动，钢性较好，可以传递较大扭力，位置准确。
单丝杠与双丝杠的优缺点：单丝杠：安装维护方便，造价低。
但是受力点不好设计，运行的时候容易产生扭转力矩，从而影响机床的运行精度。
双丝杠：减少或消除不良力矩对机器运行精度的影响，因为是两根丝杠同时受力，所以单根丝杠受到的负载降低，有利于提高机器的运行速度和使用寿命。
齿轮齿条：在某些大型雕刻机上应用比较多，相对要求精度不高，但速度快、力量大。
二、光电部分：由激光管、光学反射镜、聚焦镜、激光电源以及配电柜组成。
1、激光管：分为CO2玻璃管、CO2射频管、光纤、YAG、半导体。
CO2激光管：主要应用与非金属材料的雕刻和切割。
常用硬质玻璃制成，一般采用层套筒式结构。
最里面一层是放电管，第2层为水冷套管，最外一层为储气管（就是咱们现在用的玻璃管）。
CO2射频管：主要也是应用于非金属材质。
和CO2玻璃管相比较使用寿命可以达到4万个小时左右，而普通玻璃管的寿命是3000个小时，热刺管10000个小时。
射频管的光斑只有0.07MM受热面积小雕刻更加精细。
玻璃管的光斑是0.25MM。
小功率的光纤、YAG、半导体（例如：10W、20W、50W)由于它们的光斑比较小精度比较高所以常常应用在激光打标机。
大功率的光纤、YAG（如、200W、400W、500W)用于金属激光切割机。

国民经济运行分类GB-T-4754-2017

tensorflowpythoncpuwindow自己输入样本训练神经网络，测试，实现猫和狗两类动物的分类！！可用于学习！！样本资源少以及网络简单存在过拟合问题.

对Iris数据进行两个特征选取，共6种组合，计算类别可分性准则函数J值，得出最好的分类组合，画出各种组合的分布图；
2、使用前期作业里面的程序、对6种组合分别使用不同方法进行基于120个训练样本30个测试样本的学习误差和测试计算，方法包括：最小距离法（均值为代表点）、最近邻法、k近邻法（k取3、5...）等；

【作　者】（美）帕坦卡（Patankar，S.V.）著；
张政译【形态项】250【出版项】北京：科学出版社,1989.12【ISBN号】7-03-001420-0【中图法分类号】TK124【原书定价】$2.90【主题词】传热学-数值计算数值计算-传热学流体力学-数值计算数值计算-流体力学【参考文献格式】（美）帕坦卡（Patankar，S.V.）著；
张政译.传热与流体流动的数值计算.北京：科学出版社,1989.12.

K均值算法：调用模糊聚类库函数kmeansPso粒子群聚类程序：没有最优解，多次迭代基于模拟退火的k均值聚类：可以有最优解基于pso的k均值算法：有最优解，根据适应度判断，适应度越小，分类效果越好

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。