TBtools最新版本程序，由《生信札记》微信公众号官方发布。
主要功能：序列提取，基因功能分析，本地Blast界面化，热图，韦恩图，Upset图基因结构可视化，共线性分析与可视化Circos图绘制，dnds批量计算等等...

采用精确背景补偿，实现动态背景下动态目标检测，通过KNN匹配、比率筛选、对称约束三层筛选提取良好匹配点对，结合自适应外点滤除算法，实现对复杂环境的精确补偿。

LBP特征提取的四种算法matlab代码，可直接运行。
含注释。

在IT行业中，实时传输协议（RTP）是用于在不可靠网络上实时传输音视频数据的标准。
`jrtplib`是一个用C++编写的开源库，专门设计用来处理RTP协议，它提供了丰富的功能来简化开发过程。
在这个场景中，我们将深入探讨如何基于`jrtplib`库接收RTP数据，重组这些数据，并最终还原RTP上的音视频流。
RTP通常与RTCP（实时传输控制协议）一起使用，以确保数据的可靠传输和质量反馈。
`jrtplib`库提供了一个完整的框架，包括RTP和RTCP的实现，使得开发者能够轻松地创建发送和接收RTP数据的应用。
接收RTP数据时，你需要创建一个`RTPSession`对象，这是`jrtplib`的核心类。
通过设置必要的参数，如端口号、IP地址等，你可以初始化这个会话。
然后，你需要注册一个RTP接收者，这通常是通过实现`RTPReceiver`接口并将其传递给`RTPSession`来完成的。
接收者将处理到来的RTP包，并可能需要进行一些解码工作。
RTP数据包通常是乱序到达的，因为它们通过网络传输时可能会经历不同的路由。
因此，重组RTP数据是至关重要的。
`jrtplib`库提供了RTP包序列号和时间戳，帮助你正确地排序和重组这些包。
你需要跟踪每个媒体流的序列号，以便按顺序组装帧。
对于H264视频，还需要处理NAL单元，可能需要重组NAL单元头和FU指示器。
对于AAC音频，需要处理ADTS头或AAC帧。
对于H264编码的视频，RTP包可能包含SPS（序列参数集）、PPS（图片参数集）和IDR（即时解码刷新）帧，以及编码的I/P/B帧。
这些都需要按照正确的顺序重组，以重构完整的视频流。
`jrtplib`提供了方法来检测和提取这些特殊类型的包，以便正确解析和存储。
对于AAC音频，RTP包通常包含编码后的AAC帧，可能以ADTS头的形式出现。
ADTS头包含了帧的长度和类型信息，你需要解析这些头来正确解码音频数据。
在成功重组RTP数据后，下一步是将音视频数据解码为原始格式。
对于H264，你可以使用像FFmpeg这样的库进行解码。
对于AAC，也有类似的解码器可用。
解码后的数据可以送入播放器，以便用户听到声音或看到画面。
总结来说，使用`jrtplib`库接受RTP数据并还原音视频流涉及以下几个关键步骤：1.初始化`RTPSession`，设置参数并注册接收者。
2.使用库提供的功能重组乱序的RTP包。
3.解析H264的NAL单元和AAC的ADTS头。
4.重组SPS、PPS、IDR帧和编码帧，对H264视频进行解码。
5.解码AAC音频帧。
6.将解码后的音视频数据送入播放器进行播放。
在实际项目中，还需要处理错误，例如丢失的包、网络中断等，并且可能需要考虑与其他协议（如SDP）的集成，以获取媒体描述信息。
`jrtplib`虽然不包含实际项目应用，但它提供了一套强大且灵活的工具，可以帮助开发者构建高效可靠的RTP应用程序。

语音特征提取之MFCC特征提取的Python实现，包括一阶差分和二阶差分系数

通过获取电脑的系统时间，并分离出给数字，在通过布尔显示显示。
数字的显示主要是7个长条的布尔显示组成，原理与7段数码管相似。
7段数码管显示不同的数字主要通过其7个布尔不同的真假值控制，将0-9对应的7段布尔显示值依次存入一个布尔数组里，只需提取此数组的不同段即可让其显示不同的值，如显示“0”提取数组的0-6位分别赋值给7段布尔显示。

从电话拨号的按键声中，特征提取，模式匹配，最后分析出所拨打的号码。
上海某大学《数字信号处理》随堂实验的讲义。
5个小朋友参加。
短时傅里叶变换的应用。
这是一份JPG版的讲义。
内含：短时傅里叶变换的定义、原理、应用。
里面提供“听音识号”的思路，没有代码。

在IT领域，尤其是在嵌入式系统、汉字处理与显示技术中，HZK16是一种非常重要的资源，它包含了汉字的点阵数据，用于在字符显示器上显示汉字。
点阵数据是指由一系列点（像素）组成的图像信息，对于汉字而言，这些点阵数据能够构成特定的汉字形状。
HZK16中的汉字点阵数据是以16x16的格式存储的，每个汉字占用16行，每行有16个像素点。
在给定的文件信息中，标题“HZK16C语言数据”表明这份资料是关于HZK16汉字点阵数据在C语言中的表示方式。
C语言是一种广泛使用的编程语言，尤其适用于系统级编程和嵌入式开发。
将HZK16的点阵数据以C语言的格式编写，意味着这些数据可以直接被C程序引用，用于汉字的显示或处理。
描述部分提到“从HZK16中提取的汉字点阵数据”，这暗示了这份数据是从一个更大的HZK16字体库中抽取出来的。
这样的字体库通常包含数千个汉字的点阵数据，每个汉字都对应着一组特定的二进制值，这些值在C语言中表示为十六进制数，如代码片段所示：“constunsignedGB2312_HZK_1[94][32]={...}”。
这里定义了一个二维数组，数组名为GB2312_HZK_1，大小为94行，每行32个元素，每个元素都是一个十六进制数，代表汉字点阵的一个像素点状态。
例如，第一个汉字的第一行数据为：{0X00,0X00,...,0X00}，表示这一行所有像素点都是空白的。
代码示例中的部分数据展示了汉字点阵的具体结构。
例如，第六个汉字的前几行数据为：```{0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X0C,0X18,0X1E,0X3C,0X1E,0X3C,0X0C,0X18,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00,0X00},```这组数据中，前十个元素为0X00，意味着这部分是空白的；
随后的八个元素逐渐变化，通过不同的十六进制数值来表示不同的像素点状态，最终构成了这个汉字的形状。
这种将汉字点阵数据以C语言格式编写的实践，在嵌入式系统、移动设备、电子书阅读器等硬件平台中十分常见，因为它们往往需要在有限的屏幕空间内高效地显示汉字。
通过预先定义好的点阵数据，可以快速准确地绘制出汉字，提高系统的响应速度和显示质量。
HZK16C语言数据的提取与使用，不仅体现了汉字编码与点阵数据的结合，还展现了C语言在处理这类复杂数据结构时的强大能力。
这对于从事汉字处理、嵌入式系统设计以及相关软件开发的工程师来说，是一份宝贵的学习资源和实践指南。

纯c读写ini配置文件用c/c++读写ini配置文件有不少第三方的开源库，如iniparser、libini、rwini、UltraLightINIParser等，但都不理想，往往代码较大、功能较弱、接口使用不方便。
尤其在大小写处理、前后空格、各种注释、跨平台换行符支持、带引号字符串处理、无section操作、原格式保持等方面存在问题。
现将本人精心制作的ini读写程序源码奉献给大家，纯c编写，简洁好用。
支持windows和linux。
主要特点：1、支持;和#注释符号，支持行尾注释。
2、支持带引号'或"成对匹配的字符串，提取时自动去引号。
引号中可带其它引号或;#注释符。
3、支持无section或空section(名称为空)。
4、支持10、16、8进制数，0x开头为16进制数，0开头为8进制。
5、支持section、key或=号前后带空格。
6、支持\n、\r、\r\n或\n\r换行格式。
7、不区分section、key大小写，但写入时以新串为准，并保持其大小写。
8、新增数据时，若section存在则在该节最后一个有效数据后添加，否则在文件尾部添加。
9、支持指定key所在整行删除，即删除该键值，包括注释。
10、可自动跳过格式错误行，修改时仍然保留。
11、修改时保留原注释：包括整行注释、行尾注释(包括前面空格)。
12、修改时保留原空行。
以上三点主要是尽量保留原格式。
不足之处：1、不支持单key多value(逗号分割)，只能一次性提取后自行处理。
2、不支持同名重复section和key。
(重复section可视为错误，重复key则可能造成分歧)3、不能提取所有section或key名称。
使用只需两个文件inirw.h、inirw.c，另有测试程序和工程文件，支持windows和linux。

糖尿病数据集"diabetes.csv"是一个广泛用于统计分析和机器学习任务的数据集，特别是针对深度学习的应用。
这个数据集包含了大量关于糖尿病患者的医疗记录，旨在帮助研究者们预测糖尿病的发展趋势或者评估疾病管理策略的效果。
下面我们将深入探讨该数据集中的关键知识点。
1.数据集结构：通常，CSV（CommaSeparatedValues）文件是一种存储表格数据的格式，每一行代表一个观测值，列则对应不同的特征或变量。
在这个糖尿病数据集中，每一行可能代表一个患者在特定时间点的健康状况。
2.特征详解：-年龄（Age）：患者年龄，对于疾病发展有显著影响。
-性别（Sex）：患者性别，男性和女性可能面临不同的糖尿病风险。
-BMI（BodyMassIndex）：身体质量指数，是衡量体重与身高比例的一个指标，与糖尿病风险相关。
-血压（BloodPressure）：血压水平，高血压是糖尿病并发症的重要因素。
-葡萄糖（Glucose）：血液中的葡萄糖浓度，直接影响糖尿病的诊断。
-胆固醇（Cholesterol）：血液中的胆固醇含量，高胆固醇可能加剧糖尿病并发症。
-心电图（ECG）：心电图结果，可以反映心脏健康状况，可能影响糖尿病的整体管理。
-尿蛋白（UrineProtein）：尿液中的蛋白质含量，异常可能表明肾脏受损，常见于糖尿病并发症。
-甲状腺刺激激素（TSH）：甲状腺功能的指标，甲状腺问题可能与糖尿病有关联。
-以及其他可能的医疗指标和历史数据。
3.目标变量：数据集可能包含一个目标变量，例如“糖尿病进展”或“并发症发生”，用于预测模型的训练和验证。
这个变量可能是二元的（如无/有并发症）或连续的（如疾病严重程度评分）。
4.数据预处理：在使用数据集之前，通常需要进行数据清洗，处理缺失值、异常值，以及可能的分类变量编码。
此外，为了适应深度学习模型，可能需要对数值特征进行标准化或归一化。
5.模型构建：在深度学习中，可以使用各种神经网络架构，如卷积神经网络（CNN）用于特征提取，循环神经网络（RNN）处理时间序列数据，或者全连接网络（FCN）处理一般的数据。
更先进的模型如长短时记忆网络（LSTM）或门控循环单元（GRU）也能用于捕捉患者健康状况随时间变化的模式。
6.训练与评估：模型的训练通常涉及反向传播和优化算法（如梯度下降或Adam）。
评估指标可能包括准确率、召回率、F1分数、AUC-ROC曲线等，具体取决于任务的性质。
7.隐私与伦理：在处理这类个人健康数据时，必须遵守严格的隐私保护规定，确保数据脱敏且匿名化，以保护患者隐私。
8.预测与解释：模型预测的结果需要解释，以便医生和患者理解并采取相应行动。
可解释性机器学习方法如局部可解释性模型（LIME）和SHAP值可以提供洞察模型决策背后的特征重要性。
"diabetes.csv"数据集为糖尿病研究提供了一个宝贵的资源，通过深度学习方法，我们可以挖掘其中的潜在规律，提高疾病预测的准确性，并为患者提供更好的健康管理建议。
在实际应用中，要充分利用数据集，同时确保数据安全和合规性。

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。