代码包含MATLAB自带的princomp函数以及自己编写的PCA函数进行PCA降维，实现功能相同，准确率略有差异。

为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。
本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ分量、超Ｇ分量、ａ＊分量；
随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；
最后，对像素进行聚类划分，从而得到棉花叶片分割结果。
按照不同天气条件和不同背景采集了１　２００幅棉花叶片样本图像，对本研究算法进行测试。
试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。
分割结果表明，本研究算法能够对３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。

ApacheShiro是一个应用广泛的权限管理的用户认证与授权框架。
近日，shiro被爆出ApacheShiro身份验证绕过漏洞(CVE-2020-11989)，攻击者可以使用包含payload的恶意请求绕过Shiro的身份认证，漏洞于1.5.3修复。
实际上，这个修复并不完全，由于shiro在处理url时与spring仍然存在差异，shiro最新版仍然存在身份校验绕过漏洞。
2020年8月17日，ApacheShiro发布1.6.0版本修复该漏洞绕过。
阿里云应急响应中心提醒ApacheShiro用户尽快采取安全措施阻止漏洞攻击。

SSIM和PSNR的python实现代码，可用于计算图片之间的差异，直接运行即可，有任何问题可以评论提出

BNUEPOfflineJudge北京师范大学珠海分校离线评测系统是在具备题目测试数据的情况下，能无联网自动评测ACM/ICPC模式的源代码评测系统（即本地测试工具、评测机）。
它主要有以下功能（所有的功能都无需联网，在本机即可实现）：*评测核心功能：基本具备OnlineJudge的判题核心功能，如编译代码、内存限定，时间限定，获取代码长度等；
*支持多种语言：1.0Beta2版本支持C/C++、Pascal、C#、JAVA；
*出题模式可以在有标准输入数据和标准程序的情况下，由系统产生标准输出数据，并可批量保存，同时自动命名标准输出数据的后缀；
*文本高亮对比在判题后，可以直接在本系统中将自己的程序输出和标准输出进行高亮的文本差异对比，操作类似于一些文本对比软件，在一定程度上可以较方便地发现WA代码的出错细节；
*支持不限时执行代码这个功能可以在一定程度上检测TLE代码的算法是否正确的，当然，不能是跑一天都没跑出来的程序；
*打包与加密测试数据使用加密后的数据可以正常判题，但不显示标准输出。
这个功能是为了弥补放出去给别人评测的测试数据是明文的缺陷。
加密之后评测方就看不到测试数据。
这样就既可以实现离线评测，又可以实现OnlineJudge上的对测试数据屏蔽；
ACM-ICPC简介：ACM国际大学生程序设计竞赛（简称ACM-ICPC）是由国际计算机界具有悠久历史的权威性组织ACM学会（AssociationforComputingMachinery）主办，是世界上公认的规模最大、水平最高、参与人数最多的大学生程序设计竞赛，其宗旨是使大学生能通过计算机充分展示自己分析问题和解决问题的能力。
ACM-ICPC的每一道题，都具备题目、需求描述、输入格式描述、输出格式描述、样例输入和样例输出共六大信息，有些题目还有一定的提示。
此外，裁判还额外存储了关于该题的一组或多组对选手屏蔽的标准输入和标准输出数据，这些测试数据已经经过验证符合题意要求。
当用户提交一道题目的源码之后，裁判会将该源码放入评测系统中编译运行，并使用标准输入作为用户程序的输入，然后获取用户程序的输出，接着，将用户程序输出和标准输出比较，最后返回给用户一个评判结果。
评判结果包括：Accepted（测试通过）、CompileError（编译失败）、MemoryLimitExceed（内存超出限制）、PresentationError（格式错误）、RuntimeError（运行时错误，可能是数组越界，改写只读的内存，除零，栈或堆溢出等错误）、TimeLimitExceed（时间超出限制）、WrongAnswer（答案错误）等。

前端面试题

以决策树作为开始，因为简单，而且也比较容易用到，当前的boosting或randomforest也是常以其为基础的决策树算法本身参考之前的blog，其实就是贪婪算法，每次切分使得数据变得最为有序无序，nodeimpurity对于分类问题，我们可以用熵entropy或Gini来表示信息的无序程度对于回归问题，我们用方差Variance来表示无序程度，方差越大，说明数据间差异越大用于表示，由父节点划分后得到子节点，所带来的impurity的下降，即有序性的增益下面直接看个regression的例子，分类的case，差不多，还是比较简单的，由于是回归，所以impurity的定义为variancema

跨语言文本相似度计算是挖掘蒙汉可比语料的基础和关键，其结果直接影响了可比语料的质量。
本文通过分析新闻文本特点，提出了一种融合多特征的跨语言新闻文本相似度计算方法。
该方法首先抽取新闻的发布日期、标题及正文信息作为特征，再利用双语文档发布日期的差异、正文长度关系、正文阿拉伯数字相似度、标题重合程度及正文重合程度五种启发信息进行加权线性组合来判断相似程度。
实验表明，本文提出的方法能明显提高蒙汉新闻文本相似度计算的准确率。

本次主要分享关于迁移实际案例与最佳实践更加深入的探讨。
在迁移过程中，我们遇到了很多的预料之外的问题，如字符集问题，数字进位问题，各种OOM等等，更加深入地了解了Spark和RDMBS之间的差异。
在弥补鸿沟和解决问题的过程中，我们做了很多的实践，贡献给了社区很多的反馈，也解决了很多的bug。
即便对于Spark当前不能处理的场景，比如recurisvequery，也有了一些可行的探索。
此外，我们现在还开发了一套自动化框架来帮助加速迁移工作。
在这次分享中，我们会深入迁移的关键步骤，并分享踩过的一些坑，最后会介绍我们的自动化工具，如SQLConverter等。
相信对正工作在类似的任务或者即将开展类似工作的工程师们会有所帮助。
下面是PPT原文：关注Hadoop技术博文并回复ebay_spark获取本文PPT。

NB-IoT协议接口与信令流程附着是UE进行业务前在网络中的注册过程，主要完成接入鉴权和加密、资源清理和注册更新等过程。
附着流程完成后，网络记录UE的位置信息，相关节点为UE建立上下文。
与R12附着流程相比，步骤12-16存在差异，主要因为UE可以支持不建立PDN连接的附着。
附着过程中可以请求不建立PDN连接，那么附着流程中MME-SGW-PGW之间就不需要建立会话相关的信令。
如果NB-IoTUE和网络侧都支持使用控制面优化来传输用户数据，那么即使UE在附着过程中请求PDN连接，网络侧也可以决定不建立无线数据承载，这样UE与MME之间使用NAS消息来传输用户数据，这样步骤17-24存在差异。

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。