- 博客(103)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 VC++2010开发权威指南
static_assert(expression,message)是编译时期断言，可以用于在编译时期确定的表达式是否正确（expression返回0就是断言错误，需要输出message string信息）auto 新特征是自动识别变量的类型。 map<int,list<string>> m; map<int,list<string>>::iterator i = m.begin()
2016-09-03 21:55:11
1104
原创 MongoDB的使用
之前也接触过一下MongoDB，对他的特性大家可以自己百科下，本人没用用它开发过实际项目，学习它完全是报一种学习NoSQL的态度。 整理几篇作为学习过程的记录。在windows下面进行学习，在官网下载安装即可。 mongoDB路径在本人电脑上是： C:\Program Files\MongoDB\Server\3.2\bin 安装成功之后，设置一个存放 数据库数据的文件夹，我放在F盘下的mo
2016-08-30 21:34:53
501
原创 面试宝典-预处理、const与sizeof
T1.用一个宏定义FIND求一个结构体struc里某个变量相对struc的偏移量。{ int a; char b[20]; double ccc;}则 ： FIND(student，a); //等于0 FIND(student,b); //等于4#define FIND(struc,e) (size_t)&(((struc*)0)->e)其中(struc*)0表示将常
2016-08-26 14:26:46
611
原创 笔试笔记整理-8.24
T1.关于sleep和wait,以下描述错误的是()A sleep是线程类的方法，wait是object的方法B sleep不释放对象锁，wait放弃对象锁C sleep暂停线程，但监控状态依然保持，结束后会自动恢复D wait进入等待锁定池，只有针对此对象发出notify方法获得对象锁进入运行状态答案选D sleep()是Thread类中的方法，而wait()则是Object类中的方法。
2016-08-24 22:02:06
953
原创 笔试基础归纳-8.23
T1.刚毕业的小王上班有两路公交车都可以从家到公司.如果只等A车,平均需要5分钟才等到;如果只等B车,平均需要7分钟才能等到.假定两辆车运行时间独立,那么小王平均需要等多长时间才能等到A车或B车?2分钟2分35秒2分55秒3分钟5分钟6分钟答案选择 2分55秒我们可以这样计算： 35分钟，A车来了7辆，B车来了5辆，一共来了 12辆。 等一辆车的时间是 35/12分钟 即为 2分钟55秒
2016-08-23 21:20:31
1893
原创 笔试基础归纳-8.22
T1.算法的时间复杂度取决于（）A 待处理数据的状态B 处理器的速度C 问题的规模D 程序所占空间答案是 AC 比如说快排，初始数据的顺序影响快排的时间复杂度。T3.下面的哪个选项是自底向上分析方法（）A 递归下降分析法B 预测分析法C LL（ 1）分析法D 算符优先分析法答案D 递归下降法和LL(1)都是自顶向下的分析法。T4.下列说法正确的是（）A 二维以上的数组其实是
2016-08-22 19:16:39
869
原创 笔试基础归纳-8.21
T1.在32位小端的机器上，如下代码输出是什么：char array[12] = {0x01 , 0x02 , 0x03 , 0x04 , 0x05 , 0x06 , 0x07 , 0x08}; short *pshort = (short *)array; int *pint = (int *)array; int64 *pint64 = (int64 *)arra
2016-08-21 22:24:09
1019
原创 笔试基础归纳-8.19
T1.byte b1=1,b2=2,b3,b6,b8;final byte b4=4,b5=6,b7;b3=(b1+b2); /*语句1*/ 错误b6=b4+b5; /*语句2*/ 正确b8=(b1+b4); /*语句3*/ 错误b7=(b2+b5); /*语句4*/ 错误System.out.println(b3+b6);下列代码片段中，存在编辑错误的语句是()A 语句2
2016-08-19 22:29:25
2418
原创 笔试基础归纳-8.17(一)
T1.适应于请求段的内存分配方法是（ ）。A 首次适应和最佳适应B 固定分区和可变分区C 首次适应和固定分区D 最佳适应和可变分区答案选D。自己概念不清。 请求就是动态的，因此我们的选择应该在地址的动态性中选择，所以选择可变分区和最佳适应请求分段系统是在分段系统的基础上，增加了请求调段功能和分段置换功能所形成的分段式虚拟存储系统。分段式存储管理方式分配算法与可变分区的分配算法相似。最佳适应
2016-08-17 16:09:05
1338
原创 笔试基础归纳-8.16(二)
T1.进程控制块是描述进程状态和特性的数据结构，一个进程（）A 可以有多个进程控制块；B 可以和其他进程共用一个进程控制块；C 可以没有进程控制块；D 只能有惟一的进程控制块。进程控制块（PCB）是由系统为每个进程分别建立的，用于记录对应进程的程序和数据的存储情况，记录进程的动态信息。PCB是一个进程存在的标志。系统根据PCB感知进程的存在，根据PCB中的信息对进程实施控制管理，当进程结束时
2016-08-16 21:19:54
1479
原创 笔试基础归纳-8.16
前面的博客都是讲的是读书笔记，为的是面试准备。 最近一段时间都会在牛客网上刷题了，因为笔试还是要考你的知识全面性还包括本人不是很擅长的智力题等，希望经过以后一段时间的归纳总结，可以提升自己的基础能力。博客的内容没有按照知识分类，而是本人遇到的常见问题，有的是本人作对了但是其他选项需要进行扩充掌握的，也放进来了，所以可能会比较多，比较杂，但这也是笔试的一个特点，就是看谁了解的基础多。T1. 设有两
2016-08-16 10:27:58
1067
原创 C# 闭包对象
一道笔试题： List<Action> lists = new List<Action>(); for (int i = 0; i < 5; i++) { Action act = () => { Console.WriteL
2016-08-15 21:20:12
779
原创 SQLServer索引
SQL Server有两种索引：聚集索引(clustered index)和非聚集索引(nonclustered index)。我们把数据内容本身就是一种按照一定规则进行了排序的形式称为“聚集索引”。而经过的是逻辑排序的形式称为“非聚集索引”。可以看出，每个表只能有一个聚集索引，因为物理排序只能有一种方式。 对于主键，SQL Server默认是在主键上建立聚集索引。但是有时候这是一种浪费。
2016-08-15 16:50:03
328
原创 多层神经网络ANN
本文基于 cnblog学习总结，基于的博客地址如下： http://www.cnblogs.com/ronny/p/ann_02.html在实际应用过程中，单个神经元不能拟合太复杂的映射关系，我们需要构建更复杂的网络来逼近那些更复杂的目标函数。使用多层网络有时可以经过更少的迭代训练就能找到很好的收敛关系。多层神经网络是由多个层结构组成的网络系统，他的每一层都是若干个神经元结点构成，该层的任意一个结点
2016-08-14 22:32:23
6593
原创 神经网络ANN
人工神经网络又称神经网络。神经网络是一种学习器，给他一组输入，他会得到一组输出，神经网络里的结点相互连接决定了输入的数据在里面经过怎样的计算。我们可以通过大量的输入，让神经网络调整它自身的连接情况从而总是能够得到我们预期的输出。神经网络对于逼近实数值、离散值或向量值的目标函数提供了一种健壮性很强的方法，现在已经成功应用到很多领域，例如视觉场景分析，手写字符识别，语音识别、人脸识别等。需要学习的目标函
2016-08-14 20:16:09
2052
转载 神经网络识别车牌字符
作者注：本人在看EasyPR这个开源的车牌识别项目时，作者提到使用了ANN作为最后的车牌文字识别。但是还没有给出使用的方法，本人在博客园上看到了这篇，不错，大家一起学习。下面是博客园的地址：感谢博主http://www.cnblogs.com/ronny/p/opencv_road_more_01.html1. 关于OpenCV进阶之路前段时间写过一
2016-08-13 20:57:27
4027
2
原创 行人识别
行人识别这一块主要的研究是基于HoG特征+SVM分类器判断图像中是否存在行人。我们先给出行人识别的过程： 1. 数据训练(OpenCV 中有自带的已经训练好了的，设置参数为Default就是使用的默认的)。当然你可以自己根据手里的数据进行训练，如果你的数据有代表性，这样其实往往可能的效果比默认的会好，因为你的训练数据是自己的项目实际需求得到的。你的测试数据也是该环境下的。出现误差的概率会下降。
2016-08-13 20:17:35
4035
原创 人脸识别-再识（二）
Fisher face方法 为了提高识别效率，在对特征向量进行降维的同时还需要寻求更有利用分类的向量。 Fisher Fface方法是主成分分析(PCA)与Fisher线性判别分析（FLD Fisher Linear Discriminant Analysis）相结合的算法，算法首先对高维特征样本进行PCA降维，投影到低维特征空间，再采用LDA方法得到最优判别向量。主成分分析方法是基于K-L变
2016-08-13 17:39:37
1515
原创 人脸识别-再识
这里是识别，而不是人脸检测，检测部分前面我已经说过，是一种基于adaboost的级联决策算法，能够高精度的检测出人脸所在的区域。 前面我们转载了几篇人脸识别网上的资源，大家可能知道如何在OpenCV中使用人脸识别这个库，但是对于其中算法的深层含义还远没有彻底弄懂。所以我通过一篇论文的阅读《基于LBP和Fisher face的人脸算法研究》讲解现在人脸识别算法的具体含义。 CV_EXPORTS
2016-08-13 11:55:18
2371
原创 机器学习-车牌识别框架学习
之前学习了一个GitHub开源的框架，GitHub地址为： https://github.com/liuruoze/EasyPR 希望通过此篇博客详细阐述如何一步步实现车牌的识别过程。 车牌识别分成了两个部分，首先是车牌的定位，然后则是车牌的文字识别。 Plate Detect过程中包含了三个部分，“Plate location”，“SVM train”,”Plate judge”。其中最重
2016-08-12 14:56:08
7112
转载 OpenCV人脸识别facerec
人脸辨认从OpenCV2.4开始，加入了新的类FaceRecognizer，我们可使用它便捷地进行人脸辨认实验。其源代码可以在OpenCV中的opencvmodulescontribdocfacerecsrc下找到。 目前支持的算法有：Eigenfaces特点脸createEigenFaceRecognizer() Fisherfaces createFisherFac
2016-08-11 14:52:03
2607
转载 人脸识别技术大总结
感谢原博主：http://www.cnblogs.com/sciencefans/p/4394861.html搞了一年人脸识别，寻思着记录点什么，于是想写这么个系列，介绍人脸识别的四大块：Face detection, alignment, verification and identification(recognization)，本别代表从一张图中识别出人脸位置，把人脸上的特征点定位，
2016-08-11 14:35:44
3207
原创 机器学习-人脸检测和Haar分类器
Haar分类器是一个基于树的分类器，它建立了boost筛选式级联分类器。可以使用OpenCV中的“人脸”检测器来检测“基本刚性的”物体（脸，汽车，自行车，人体）。通过成千上万的物体各个角度的训练图像，训练出新的分类器、这个技术被用来设计目前最优的检测算法。因此，对于此类识别的任务，Haar分类器是一个有用的工具。 OpenCV称这个检测器为“Haar分类器”是因为它使用Haar特征或更准确的描述是
2016-08-11 14:20:53
5808
1
原创 机器学习-随机森林
OpenCV包含随机森林(random forest)类，随机森林可以通过收集很多树的子节点对各个类别的投票，然后选择获得最多投票的类别作为判断结果。通过计算“森林”的所有子节点上的值的平均值来解决回归问题。随机森林包含随机选择的一些决策树。随机森林建立时的基本子系统也是决策树，在建立决策树时会一直继续下去直到数据纯净。如果所有的树都很相似，随机森林就没有很大的作用。为了克服这点，随机森林通过在树
2016-08-10 21:56:09
4713
3
原创 机器学习-boosting
boosting和随机森林在内部使用了决策树，所以继承了树的很多有用性质。 在监督学习领域，有一种想法就是从很多弱分类器重学习得到一个强分类器。boosting算法，也叫AdaBoosting。 注： Boosting意为加强、提升，也就是说将弱分类器提升为强分类器。而我们常听到的AdaBoost是Boosting发展到后来最为代表性的一类。所谓AdaBoost，即Adaptive Boost
2016-08-08 22:04:00
2641
原创 机器学习-二叉决策树
对于分类回归树，算法的要点是给树的每个结点定义一个衡量标准。比如，当我们拟合一个函数的时候，我们使用真实值和预测值的差的平方和，这就是衡量标准。算法的目的是使差的平方和最小。对于分类问题，我们定义一个度量，使得当一个结点的大多数值都属于同一类时，这个度量最小。三个最常用的度量是：熵(entropy)、吉尼系数(Giniindex)和错分类(misclassification)。决策树构成了其他算法
2016-08-08 20:50:41
11921
2
原创 朴素贝叶斯分类
我们开始讨论OpenCV的机器学习库，首先学习一个监督学习分类器NormalBayesClassifier，叫做正态贝叶斯分类器或者朴素贝叶斯分类器。它假设所有的特征之间相互独立，虽然这种假设不太符合实际，但是在实际运用中，发现这种假设得到的结果却也能够得到惊人的性能。朴素贝叶斯分类器不能处理回归问题，但是它能够有效的处理多类问题，而不仅仅是两类问题。朴素贝叶斯分类器是当前快速发展的贝叶斯网络的最简
2016-08-08 17:04:30
1521
原创 机器学习开端
机器学习算法中经常出现“有时候”能用，但又不能完全与要求一致。需要指出哪些地方出了问题并解决问题。首先介绍一些重要的规律：大量数据比少量数据好；好的特征比好的算法那更重要。如果选择的特征好，最大化他们的独立性，最小化他们在不同环境之下的变化，那么大部分算法都可以获得比较好的效果。除此之外，还有两个经常遇到的问题： 欠拟合：模型假设太严格，所以模型不能拟合到实际数据上 过拟合：算法不仅学习了数据，
2016-08-07 17:28:26
1580
3
原创 C++四种强制类型转换关键字
C语言使用强制类型转换(Type Cast)很简单，不管什么类型的转换，形式都如下：TYPE b = (TYPE)a; c++提供了4种类型转换操作符来应对不同场合的应用。const_cast static_cast dynamic_cast reinterpreter_cast4种关键字的使用形式如下：TYPE b = static_cast(T
2016-08-06 18:49:21
1577
原创 指针常量和常量指针的区别
指针常量是指定义的指针只能在定义的时候初始化，之后不能改变其值，格式如下：数据类型 * const 指针常量名称比如 ： char * const p1 ; int * const p2;常量指针的值不能改变，但是其指向的内容却可以改变。char a[5]="abcd";char *const b =a;b[0] = 'c';这样子 字符串a就
2016-08-06 18:48:41
1379
转载 四叉树
四叉树索引的基本思想是将地理空间递归划分为不同层次的树结构。它将已知范围的空间等分成四个相等的子空间，如此递归下去，直至树的层次达到一定深度或者满足某种要求后停止分割。四叉树的结构比较简单，并且当空间数据对象分布比较均匀时，具有比较高的空间数据插入和查询效率，因此四叉树是GIS中常用的空间索引之一。常规四叉树的结构如图所示，地理空间对象都存储在叶子节点上，中间节点以及根节点不存储地理空间对象。
2016-08-04 16:00:24
3897
转载 R tree
R树在数据库等领域做出的功绩是非常显著的。它很好的解决了在高维空间搜索等问题。举个R树在现实领域中能够解决的例子吧：查找20英里以内所有的餐厅。如果没有R树你会怎么解决？一般情况下我们会把餐厅的坐标(x,y)分为两个字段存放在数据库中，一个字段记录经度，另一个字段记录纬度。这样的话我们就需要遍历所有的餐厅获取其位置信息，然后计算是否满足要求。如果一个地区有100家餐厅的话，我们就要进行100次位置
2016-08-04 15:58:47
4089
转载 k-d tree
k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。应用背景 SIFT算法中做特征点匹配的时候就会利用到k-d树。而特征点匹配实际上就是一个通过距离函数在高维矢量之间进行相似性检索的问题。针对如何快速而准确地找到查询点的近邻，现在提出了很多高维空间索引结构和近似查询的算法，k-d树就是其中
2016-08-04 15:55:47
1628
原创 .NET MVC4+EF环境构建
使用 VS2012 + SQLServer 2008采用 MVC4.0架构，数据库通过EF进行搭建。通过在网上下载的例子，进行修改，得到自己的一些经验。。。1、EFEF的好处就是能够 Code First（个人理解，就是常规的方式是先在数据库中建立表项，然后进行数据库连接，数据处理操作）。但是例子里面没有提到如果通过EF自动创建数据库以及数据库中的表其实上：EF已经
2016-08-04 15:45:08
2615
原创 Python环境配置
1、首先访问http://www.python.org/download/去下载最新的python版本。 2、安装下载包，一路next。 3、为计算机添加安装目录搭到环境变量，如图把python的安装目录添加到pth系统变量中即可。 4、测试python安装是否成功，cmd打开命令行输入 python 命令，如下图即成功了
2016-08-04 15:35:57
1608
原创 LSH搜索算法
LSH(Location Sensitive Hash),即位置敏感哈希函数。与一般哈希函数不同的是位置敏感性，也就是散列前的相似点经过哈希之后，也能够在一定程度上相似，并且具有一定的概率保证。形式化定义：对于任意q,p属于S，若从集合S到U的函数族H={h1,h2...hn}对距离函数D(,)，如欧式距离、曼哈顿距离等等，满足条件： 则称D(,)是位置敏感的。
2016-08-04 15:33:35
10071
原创 一道程序初始化顺序题目引起的讨论
ava与C#初始化顺序区别，及其原因初探java与C#的初始化顺序有一点点区别，在网上找到了一个顺序及示例如下：http://blog.sina.com.cn/s/blog_a072b6c401012nzp.html在JAVA的初始化子类的执行顺序是：1.先初始化父类的成员变量2.再调用父类的构造方法3.再初始化子类自己的的成员变量4.再调用子类
2016-08-04 12:51:11
1942
1
原创 opencv feature2D模块(二）
ORB特征提取 ORB是ORiented Brief的简称，是brief算法的改进版本。ORB是在2011年《ORB：an efficient alternative to SIFT or SURF》文章中被提出。我们首先认识Brief描述子。 Brief是Binary Robust Independent Elementary Features的缩写。这个特征是在ECCV2010上提出，主要思
2016-08-03 21:49:36
3556
转载 高维数据的快速最近邻算法FLANN
1. 简介 在计算机视觉和机器学习中，对于一个高维特征，找到训练数据中的最近邻计算代价是昂贵的。对于高维特征，目前来说最有效的方法是 the randomized k-d forest和the priority search k-means tree，而对于二值特征的匹配 multiple hierarchical clusteringtrees则比LSH方法更加有
2016-08-03 21:14:47
27078
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人