可以计算两个时间序列的超前滞后相关的matlab程序。
并可同时计算对应相关系数的置信水平，置信度可以自己设置

完整代码Java版，mvc架构，优美的界面。
置信度和关联规则一并解决

该压缩包中含有全部原程序，运行所需数据库和一个txt文件，如果下载者不会连接数据库，可以参考这个txt文件，很简单。
只要连接正确，保证可以运行。
相比网上那些用C#写的程序，本程序更方便操作，容易理解。
本程序运行环境为VC++和SQL2008，界面用MFC做的。
运用apriori算法，内容包括关联规则的数据挖掘，通过设置支持度和置信度的值，得出各置信度。
决策树的方法，里面也有相关程序。
适合初学者和做课程设计。

extract_bounding_boxes该脚本将帮助您提取文件ID和YOLOV3/4/5中检测到的对象的相应边界框。
一旦训练并验证了YOLOV3/4/5模型，便会创建一个predicted.json文件，其中包含“文件ID”和所有验证图像集中所有检测到的所选对象的相对边界框坐标。
该脚本将帮助您根据设置的置信度阈值提取所有边界框坐标和相应的文件ID，并将其写入新的csv文件中，此外，它还可以统计检测到的对象总数并将其打印出来。

使用Apriori算法求解关联规则，并输出中途的L、C表的变化及最后的置信度

识别结果大概是这样{'result':{'face_num':1,'face_list':[{'quality':{'occlusion':{'right_eye':0,'left_cheek':0.1459853947,'right_cheek':0.05144193396,'left_eye':0.465408802,'mouth':0.02919708006,'chin_contour':0.01420217194,'nose':0},'illumination':116,'blur':7.266304692e-06,'completeness':1},'age':22,'face_token':'dc6f8f9df5d977ea476e2d04acdf5063','race':{'type':'white','probability':0.6173604727},'glasses':{'type':'common','probability':0.9834988713},'gender':{'type':'male','probability':0.655915916},'face_probability':0.9185044169,'beauty':51.21487427,'angle':{'roll':-2.750922441,'yaw':28.97134399,'pitch':5.202290535},'location':{'height':65,'top':112.0704803,'width':76,'left':76.20765686,'rotation':-4},'face_type':{'type':'human','probability':0.9992217422},'face_shape':{'type':'oval','probability':0.4419156313},'expression':{'type':'none','probability':0.9999142885}}]},'error_msg':'SUCCESS','timestamp':1537413754,'cached':0,'error_code':0,'log_id':9465840013520}年龄：22颜值：51.21487427表情-type(none:不笑；
smile:微笑；
laugh:大笑)：none表情-probability(表情置信度，范围【0~1】，0最小、1最大)：0.9999142885脸型-type(square:正方形triangle:三角形oval:椭圆heart:心形round:圆形)：oval脸型-probability(置信度，范围【0~1】，代表这是人脸形状判断正确的概率，0最小、1最大)：0.4419156313性别-type(male:男性female:女性)：male性别-probability(性别置信度，范围【0~1】，0代表概率最小、1代表最大。
)：0.655915916能否带眼镜-type(none:无眼镜，common:普通眼镜，sun:墨镜)：common能否带眼镜-probability(眼镜置信度，范围【0~1】，0代表概率最小、1代表最大。
)：0.9834988713人种-type(yellow:黄种人white:白种人black:黑种人arabs:阿拉伯人)：white人种-probability(人种置信度，范围【0~1】，0代表概率最小、1代表最大。
)：0.6173604727真实人脸/卡通人脸-type(human:真实人脸cartoon:卡通人脸)：human真实人脸/卡通人脸-probability(人脸类型判断正确的置信度，范围【0~1】，0代表概率最小、1代表最大。
)：0.9992217422

高功率激光器的建造需要大量的高精度光学平板,其波前检测一般采用相移干涉技术。
由于测试光在光学平板内的多次反射,存在由寄生干涉导致的死条纹现象。
死条纹会在波前检测结果中引入周期性相位噪声,极大降低了波前检测结果的置信度。
针对该问题,提出了一种基于小波变换的降噪方法,可根据死条纹噪声特征对波前检测结果进行降噪,不需要额外硬件或调整测试形态。
实验结果表明,该方法可以有效滤除死条纹引入的相位噪声,且能很好地保留加工特征。

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。