suntinghu的博客

软件测试综合资料库.chm:在很多情况下，软件开发人员同用户的思路是完全不同的。开发人员由于接近硬件底层，更多的是从机器的“思维”来考虑问题，而用户只是为了使用。很多软件开发人员抱有这样的思维，认为用户很笨，“你这样用就不会出现错误了！”但事实上，作为一种产品，必须要能够考虑到用户使用的方方面面，并考虑进行各种容错处理。为了记录下用户使用软件的习惯用来提供软件的易用性和发现潜在的问题，微软和国外的很多大型软件开发公司甚至会采用专门的测试房间，用仪器记录用户的使用过程来加以改善使用的界面和出现的问题。

随着软件应用领域越来越广泛，其质量的优劣也日益受到人们的重视。质量保证能力的强弱直接影响着软件业的发展与生存。软件测试是一个成熟软件企业的重要组成部分，它是软件生命周期中一项非常重要且非常复杂的工作，对软件可靠性保证具有极其重要的意义。 　　在软件的测试过程中，应该应用各种测试方法，以保证产品有一个较高较稳定的质量。根据不同的生产过程进行不同的测试，包括黑盒测试、白盒测试、功能测试、系统测试、压力测试、安装/卸载测试、兼容性测试、α 测试、β 测试等 。

软件测试面试加答案：一、判断题 1,Y 2,Y 3,N 4,Y 5,N 6,N 7,N 8,N 9,N 10,N 二、选择题 1，ABCD 2，ABCD 3，AD 4，BC 5，ABC 三、填空题 1，正式验收测试，alpha测试，beta测试。 2，101000110 3, ls -l, top , df/du

软件测试面试笔试题：1.软件测试的目的是尽可能多的找出软件的缺陷。（） 2．Beta 测试是验收测试的一种。（） 3．验收测试是由最终用户来实施的。（） 4．单元测试能发现约80%的软件缺陷。（） 。。。

软件测试工程师面试考核：学校、专业、是否熟悉测试流程、设计测试用例方法、linux基本命令（查看文件、进程、cpu/内存使用情况、VI）

论文提出了一种基于灰度变化的最小交叉熵图像分割算法。该算法用于在夹杂较强的散斑、噪音以及亮度不均的图像数据环境中分割相关区域。算法参考目标粒子边缘与局部背景的梯度,将全集分割为灰度分布明显不同的子集,寻找使得与全集交叉熵变化最小的子集,抹去子集的局部灰度偏移特征,然后将变化后的子集合并再进行传统的阈值分割。实验表明该算法具有运算量少、分割结果自适应性好的特点。

上世纪年代中期创立仿生学以来，人们不断地从生物进化的机理中得到启发， 提出了许多用于解决复杂组合优化问题的新方法，比如蚁群算法和粒子群算法等等，它 们都是适于大规模并行且具有智能特性的优化算法，对于解决实际工程优化问题的复杂 性、约束性、非线性、建模困难，有很好的效果。 图像分割是图像分析和模式识别的首要问题，也是图像处理的经典难题之一。最大 类间方差闺值分割法是目前应用比较广泛的一种方法，按传统的方法计算最大类间方差 已经限制了这种算法的发展。为了加快最大类间方差方法求最优解的速度，本文将微粒 群算法和最大类间方差阂值分割法相结合，提出了基于算法的最大类间方差闭值 分割法，在取得良好的分割效果的同时，运用算法的并行搜索机制显著地提高了分割速 度。 多年来计算机图形处理器以大大超过摩尔定律的速度高速发展。图形处理器 的发展极大地提高了计算机图形处理的速度和图形质量，并促进了与计算机图形相关应 用领域的快速发展。与此同时，图形处理器绘制流水线的高速度和并行性以及近年来发 展起来的可编程功能使其在诸如数字图像处理的通用计算领域的应用有着巨大的潜力。 本文就是在它的启发下针对传统的蚁群算法对于大规模数据求解速度慢的缺点，提 出了一种基于加速的并行蚁群算法，将并行蚁群求解过程转化为纹理并行渲 染过程，使得蚁群算法在中加速执行，并将其应用到实际问题当中在取得较好效 果的同时提高了算法的运算速度，增大了蚁群算法处理问题的规模，并为普通用户的并 行蚁群工作提供了一种可行的方法。

设计了一种新的基于相对熵的图像模糊增强方法。利用图像分割原理确定的最佳阈值 作为模糊增强的分界点,完成对图像的对比度增强。

提出了一种基于相对熵的图象分割算法,该算法的主要思想是通过相对熵来选择阈 值.现场颗粒物料图象作为一个应用实例,在本文中得到验证.实验结果表明,提出的算法优于基 于局部熵的图象分割算法.

提出了一种基于粒子群优化(PSO)的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误 差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的 计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。

粒子群优化算法是在对鸟群捕食行为模拟的基础上提出的一种群 集智能算法，是进化计算领域中一个新的分支。它的主要特点是原理简 单、参数少、收敛速度较快、易于实现。因此，该算法一提出就吸引了 的广泛关注，逐渐成为一个新的研究热点。目前，粒子群优化算法应用 于神经网络的训练、函数优化、多目标优化等领域并取得了较好的效果， 有着广阔的应用前景。 论文的主要工作有 对粒子群优化算法的理论基础和研究现状作了简要的介绍，分 析了粒子群优化算法的原理及算法流程，对算法参数的选择做了详细的 研究，并进行了相应的仿真实验。 分析了粒子群优化算法存在的问题，主要包括参数设置问 题、算法“早熟”问题和算法稳定性问题。在粒子群优化算法中，参数 的设置会影响算法优化的结果，因此，如何选择合适的参数达到最好的 优化结果是算法需要解决的问题。“早熟”问题是优化算法普遍存在的 问题。如果粒子在搜索最优值时过早收敛，就会使算法的寻优停滞在局 部最小值，无法找到全局最优解。由于算法中粒子的初始位置、速度和 一些参数是被随机初始化的，因此每一次算法运行的结果并不相同，有 时结果的差别很大，这样就导致了算法优化结果不稳定。 针对粒子群优化算法存在的问题，论文提出了一种新的改进 算法—基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子 群优化方法，从“粒子进化”和“多种群”两个方面对标准粒子群算法 进行改进。多个粒子群彼此独立地搜索解空间，保持了粒子种群的多样 性，从而增强了全局搜索能力而适当的“粒子进化”可以使陷入局部 最优的粒子迅速跳出，有效的避免了算法“早熟”，提高了算法的稳定 性。通过对测试函数进行仿真实验，验证了该算法的有效性。 将基于粒子进化的多粒子群优化算法应用于线性瞬时混合的 盲源分离。将该算法的仿真实验结果与标准粒子群优化算法的结果相 比，前者在分离混合信号时所需要的迭代次数少，算法的稳定性高。 将基于粒子进化的多粒子群优化算法用于求解非线性方程组。 该算法求解精度高、收敛速度快，而且克服了一些算法对初值的敏感和 需要函数可导的困难，能较快地求出复杂非线性方程组的最优解。数值 仿真结果显示了该算法的有效性和可行性，为求解非线性方程组提供了 一种实用的方法。

粒子群算法是基于群集智能、受到人工生命研究结果的启发而提出的一种现 代优化方法。作为一类随机全局优化技术，与传统优化方法相比较，对目标函数 的解析性质要求不高，所以常用于解决一些复杂的、大规模的、非线性、不可微 的优化问题，近年来受到学术界的广泛重视。 本文介绍了标准粒子群算法和几种改进粒子群算法，在利用标准粒子群算法 优点的同时，进行了一些改进，例如：在位置更新方程中设置动力参数以限制粒 子在搜索区域内、采用减弱速度更新的策略减少速度更新的次数等。在此基础上 提出一种新的交叉粒子群算法，该算法交叉运行两个不同粒子群算法，提高了算 法的搜索性能。进一步，在获得局部极小点情形下对函数采用拉伸等措施，给出 了交叉-拉伸粒子群算法来搜索全局极小点，该算法也可用来处理多个最优解的问 题。数值实验结果表明，新算法解决高维非线性的无约束优化问题表现出了良好 的性能。 最后，将本文提出的算法应用于两个实际问题：六边形阵列天线方向图优化 设计问题和模式识别领域中的支持向量机训练问题，都取得了良好效果

首先提出了一种减少最小交叉熵适应度函数计算量的快速递推编程技术;然后采用量子粒子群优化法 搜索获得图像最优多阈值,并用该阈值实现图像分割。实验分析结果表明,该方法具有实现阈值寻优速度快,最 优解对应图像分割效果好的特点。

针对交叉熵阈值法的时间复杂性过大的不足,提出了基于目标函数最优化原理的交叉熵分割准则的快速迭代算法。大量的实验结果表明,提出的快速迭代算法是有效的。 【英文摘要】 Considering that thresholding method based on mutual entropy has shortage of bigger time complexity,this paper puts forward the rapid iterating algorithm of segmentation criterion based on the principle of objective function optimization.Large numbers of experimenual results show that the rapid iterating algorithm proposed in this paper is feasible.

目的研究了基于类间交叉熵的二维阈值分割算法及其抗噪性能。方法通过采用交叉熵方法来描述二维直方图中的目标区域和背景区域之间像素信息的差异程度,构造了一种基于最大类间分离性程度的图像分割新方法。结果结果仿真证明该分割方法的有效性和抑制噪声的能力。结论在有噪声的图像中,新分割方法相比传统一维最小交叉熵具有更强的抗噪性能,并且在分割性能和时间花费上都优于二维最小类内交叉熵分割法。

提出了一种基于粒子群优化( PSO)的图像最小误差阈值化方法。将粒子群优化算法应用于图像最小误 差阈值化中,克服了常规最小误差阈值化计算量大的缺点。实验证明该算法能有效降低常规图像最小误差阈值化的 计算量,与遗传算法相比,该方法有更好的收敛性和稳定性。

：针对大多数图像分割方法计算量大、不利于实时处理的缺点，提出用微粒群算法(PSO)优化最小误差分割方法。该 方法不但具备最小误差分割法受目标和噪声影响小以及对小图像分割效果好的优点，还克服了遗传算法等加速算法需要预 先设定众多运行参数，受目标变化影响大的问题。图像分割的效果和速度得到了提高，性能也更加稳定。实验结果反映了该 方法的有效性。

图像分割是目标识别的首要和关键步骤。目前的图像分割方法有多种, 其中阈值方法优点比较突出, 但是采用阈值方法分 割的关键是要能高效率地找到被分图像的最佳熵阈值。针对这一问题, 将Geese- LDW- PSO 算法的位置更新公式作了改进, 即用 当前种群的全局极值取代所有粒子的当前位置, 并将之用于熵阈值图像分割中。仿真实验表明, 该算法可以快速稳定地获得一幅 图像的最佳分割阈值。仿真结果显示, 该方法对车牌分割具有较好的性能。 专业论文，为广大做毕设同学提供资源

学图像的都应有的源码 VC++

数字版权管理的应用。转载

数字水印的教程，适用性强

多个密码算法，很实用！

实现C++和MATLAB的混合编程

可对光盘受损导致丢失数据进行恢复