这个城市下拉选择是直接从携程网站上挖出来的，支持默认抢手城市、拼音/简拼输入、字母选择....等等，还有带有翻页功能，太牛了~~挖了好久，对比了去哪、艺龙...等等，我个人觉得携程这个城市选择框算是目前功能最全最好用的一款城市选择控件，没有之一。

本人系统辨识课程的全部代码以及报告报告里有所有算法原理。
内容如下：第一章 最小二乘法 11.1 问题重述 11.2 最小二乘法 11.2.1 基本最小二乘法 11.2.2 不需矩阵求逆的最小二乘法 21.2.3 递推最小二乘法 41.3 辅助变量法 61.3.1 一次辅助变量法 61.3.2 递推辅助变量法 71.4 广义最小二乘法 91.4.1 一次广义最小二乘法 91.4.2 递推广义最小二乘法 101.5 夏式法 121.5.1 夏式偏差修正法 121.5.2 夏式改良法 131.5.3 递推夏式法 131.6 增广矩阵法 161.7 自编方法-多阶段最小二乘法 181.8 噪声特性分析 191.8.1 时域波形 201.8.2 均值分析 201.8.3 方差分析 211.8.4 自相关函数分析 211.8.5 功率谱密度分析 221.8.6 总结 22第二章 极大似然法 23第三章 方法比较 253.1 问题重述 253.2 各方法精度对比 253.3 各方法计算量对比 253.4 噪声方差的影响 263.5 白噪声和有色噪声对辨识的影响 27第四章 系统模型阶次的辨识 284.1 问题重述 284.2 按残差方差定阶 284.2.1 按估计误差方差最小定阶 284.2.2 F检验法 294.3 按AKAIKE信息原则定阶 294.4 按残差白色定阶 304.5 噪声对定阶的影响 314.6 三种方法的优劣及有效性 31附录 32

（1）时序预测（2）绘制预测值和真实值对比曲线（3）绘制真实值和预测值的误差对比曲线（4）可以经过更改参数显示多个预测值

在中国安防产业中视频监控作为最重要的信息获取手段之一，能对目标有效的提取是重要而基础的问题，因此本文在此背景下，围绕对监控视频的前景目标有效的提取问题，研究了关于1）静态背景、动态背景的前景目标提取，能在背景复杂化的条件下，将运动的目标；
2）带抖动视频；
3）静态背景下多摄像头对多目标提取；
4）出现异常事件视频的判断等问题。
给出了在不同情况下的前景目标提取方案。
问题一是针对静态背景且摄像头稳定的情况下，如何对前景目标提取的问题。
在题目要求的基础上，通过对附件2中几组视频的分析，我们发现所有前景目标的运动短暂且光线明暗变化不明显。
由于传统的Vibe算法能抑制鬼影但是运行效果不理想，因此采用建立在帧差法上改进的Vibe算法模型求解问题。
并和传统的Vibe算法做对比，结果显示改进的Vibe算法明显优于传统的算法。
而且对我们的算法模型做了效果评价。
详细数据参考正文与附录。
问题二是在背景为动态（如有水波的产生）的情况下，对前景目标的提取问题。
在此问题中，由于动态背景存在使得提取出的图像帧具有大量的干扰噪声，对前景目标的识别和提取造成干扰，因此我们提出一种基于全局外观一致型的运动目标检测法。
在用Vibe算法对场景预检测的基础上，建立混合高斯模型分别对前景和背景进行全局外观建模，将运动目标检测出来，再引入超像素去噪，进一步优化结果。
详细结果参考正文与附录。
问题三是在问题一、二基础上的进一步深化。
问题一及问题二是建立在摄像机自身稳定的基础上，而问题三则是在摄像机抖动的情况下。
由于摄像机抖动一般具有旋转和平移，因此我们建立了坐标变换模型，以仿射变换作为模型基础，结合改进的高精度鲁棒的RANSAC算法提取前景目标，并对比灰度投影法，比较两种模型效果。
具体效果见正文与附录。
问题四是对前三个问题的综合应用。
运用基于混合高斯模型背景建模Vibe算法，对前景目标进行提取；
选出具有显著前景目标的参考帧，计算参考帧中显著前景目标所占的面积，并将此面积设定为阈值T，遍历所有的视频帧，计算其前景目标所占的面积，通过相减对比，判定显著前景目标。
若判定为显著前景目标则输出其所在视频帧中的帧号，并将显著前景出现的总帧数增加1。
问题五是针对多摄像头多目标的协同跟踪问题。
在问题二的混合高斯模型基础上我们建立了动态背景提取法，对不断变化的背景进行实时更新。
再利用单应性约束法对多目标发生重叠现象进行投影将重叠目标区分开来，对目标进行定位。
由于目标的不断运动，我们采用粒子滤波法对前景目标进行实时跟踪，通过多摄像头的协同通信完成对多前景目标的检测。
问题六是针对监控视频中前景目标出现异常情况时判断能否有异常事件的问题。
在基于稀疏表示的模型上，引入混合高斯模型用于学习不同类型的运动特征规律，然后通过各个单高斯模型中的均值建立一个相似矩阵作为字典。
以测试阶段生成的核矢量为基础，用该局部特征的核矢量计算基于稀疏表示的重构误差，并将其与已设定的阈值进行比较，如果重构误差大于阈值，则判为异常。

第1章课程简介对课程做简单的介绍。
1-1课程简介第2章资源合并与压缩通过本章，我们学习和理解了web前端的概念，以及功能优化的意义所在，并且通过实战中的压缩与合并，深入理解了减少http请求数和减少http请求资源大小两个优化要点，并且通过实战，帮助学生掌握如何通过网站进行压缩与合并，如果使用半自动化的gulp脚本进行压缩与合并，最终通过优化前后的功能对比，更加量化地去理解了功能...2-1资源合并与压缩-http清求的过程及潜在的功能优化点2-2资源合并与压缩-html压缩2-3资源合并与压缩-css及js压缩2-4资源合并与压缩-文件合并2-5资源合并与压缩-实战-在线工具压缩2-6资源合并与压缩-实战-fis3构建工具自动压缩合并-流程2-7资源合并与压缩-实战-fis3构建工具自动压缩合并-实操2-8资源合并与压缩-总结第3章图片相关的优化通过本章，帮助学员学习和掌握图片相关的优化方法，理解不同图片格式分别是什么以及如果在不同的业务场景中使用不同的图片格式和图片加载方式。
3-1图片相关的优化-一张JPG图片的解析过程3-2图片相关的优化-png8、png24、png32之间的区别3-3图片相关的优化-不同格式图片常用的业务场景3-4图片相关的优化-图片压缩几种方法-雪碧图、Imageinline3-5图片相关的优化-图片压缩案例分析3-6图片相关的优化-图片压缩实战（上）webp、inline-image3-7图片相关的优化-图片压缩实战（下）雪碧图、svg第4章css和js的装载与执行通过本章，帮助学员理解css和js在页面中的加载机制，让学员能初步建立通过理解浏览器渲染机制进行代码优化提升页面访问功能的概念，同时掌握css、js在装载与执行阶段的基础优化。
4-1css和js的装载与执行-HTML页面加载渲染的过程4-2css和js的装载与执行-HTML演染过程的一些特点4-3css和js的装载与执行-顺序执行、并发加载4-4css和js的装载与执行-css阻塞和js阻塞4-5css和js的装载与执行-依赖关系、js引入的方式4-6css和js的装载与执行-加载和执行的一些优化点4-7css和js的装载与执行-实战-验证对于某个域名浏览器并发数是有上限的4-8css和js的装载与执行-实战-验证css加载不会阻塞后面的js并发加载4-9css和js的装载与执行-实战-async、defter4-10css和js的装载与执行-实战-动态异步引入js实操4-11css和js的装载与执行-实战-@import、link实操4-12css和js的装载与执行-实战-手机淘宝加载分析第5章懒加载与预加载通过本章，帮助学员理解资源加载时机对前端功能优化的影响，同时实战理解懒加载和预加载的实现机制。
5-1懒加载与预加载-懒加载原理5-2懒加载与预加载-预加载原理5-3懒加载与预加载-懒加载、预加载使用场景5-4懒加载与预加载-懒加载原生js和zepto.lazyload5-5懒加载与预加载-预加载原生js和PreloadJS实现第6章重绘与回流通过本章，帮助学员理解高阶的浏览器渲染机制，深入理解浏览器重绘与回流的机制，从而掌握如何深入地从代码层面基于浏览器的渲染机制进行优化。
6-1重绘与回流-css功能让Javacript变慢？6-2重绘与回流-什么是重绘与回流6-3重绘与回流-避免重绘回流的两种方法6-4重绘与回流-案例解析-重绘、回流及图层6-5重绘与回流-案例解析-chrome浏览器自动创建图层layer6-6重绘与回流-实战优化点总结6-7重绘与回流-实战演练16-8重绘与回流-实战演练26-9重绘与回流-实战演练36-10重绘与回流-实战演练46-11重绘与回流-实战演练56-12重绘与回流-实战演练66-13重绘与回流-实战演练76-14重绘与回流-实战演练8,9第7章浏览器存储通过本章，帮助学员理解浏览器存储的核心概念及其在关键业务中的应用，通过浏览器存储，可以在浏览器端建立可控制的缓存机制，从而帮助用户在自己的关键业务上进行相应的优化。
7-1浏览器存储-cookies7-2浏览器存储-LocalStorage、SessionStorage7-3浏览器存储-IndexedDB7-4浏览器存储-案例解析7-5浏览器存储-ServiceWorkers产生

Mayi老师的作品与对比MVG一同学习。
完整版，不是草稿。

利用小波变换、fft实现地震波的时域、频域特征的对比分析

本文完成OFDM通信系统在16QAM下的仿真工作，给出了前两百点发送和接收到的音讯对比，并计算误比特率

“违纪登记”是为中学校对违纪先生进行量化登记管理的系统。
本系统操作简单方便，具有记录、查询、打印、统计等各项功能。
还能进行图表对比，非常适合中学校政教部门对先生的管理。

随着计算机网络的快速发展，网络上的信息量也日益纷繁复杂。
如何准确、快速地帮助人们从海量网络数据中获取所需信息，是目前搜索引擎首要解决的问题，为此，各种搜索排序算法应运而生。
但是目前，网页信息的表达方式都十分简单，用户描述查询的方式更是十分简单，这就造成了在判断网页内容与用户查询相关性时十分困难。
本文首先对现有的搜索引擎排序算法进行了分类总结，分析它们的优缺点。
然后提出了一种基于用户反馈的语义标记的新方法，最后采用多种评估方法与Google搜索结果进行对比分析。
实验结果表明，利用本文的方法所得到的排序结果比Google的排序结果更接近用户需求。

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。