演算法的十大类别

演算法的十大類別

軟體正在統治世界。而軟體的核心則是演算法。演算法千千萬萬，又有哪些演算法屬於「皇冠上的珍珠」呢？Marcos Otero 給出了他的看法。

什麼是演算法？

通俗而言，演算法是一個定義明確的計算過程，可以一些值或一組值作為輸入並產生一些值或一組值作為輸出。因此演算法就是將輸入轉為輸出的一系列計算步驟。

—Thomas H. Cormen，Chales E. Leiserson，演算法入門第三版

簡而言之，演算法就是可完成特定任務的一系列步驟，它應該具備三大特徵：

1.有限

2.指令明確

3.有效

以下是 Marcos Otero 推薦的十大演算法：

1、合併排序、快速排序及堆排序

最好的排序演算法跟需求密切相關，很難評判。但是從使用上說，這三種的使

用頻率更高。

合併排序由馮．諾依曼於 1945 年發明。這是一種基於比較的排序演算法，採用分而治之的辦法解決問題，其階是 O(n^2)。

快速排序可採用原地分割方法，也可採用分而治之演算法。這不是一種穩定的

排序演算法，但對於基於 RAM（記憶體）的陣列排序來說非常有效。

堆排序採用優先順序佇列來減少資料中的搜尋時間。該演算法也是原地演算法，並非穩定排序。

這些排序演算法相對於以前的冒泡排序演算法等有了巨大改進，實際上我們今

天的資料採擷、人工智慧、連結分析及包括 web 在內的大多數電腦工具都要感

謝它們。

2、傅立葉變換與快速傅立葉變換

我們的整個數位世界都使用這兩個簡單但非常強大的演算法，其作用是將訊號從時域轉為頻域或者反之。實際上，你看得到這篇文章得感謝這些演算法。

網際網路、你的WiFi、智慧型手機、電話、電腦、路由器、衛星，幾乎所有內建有電腦的東西都會以各種方式使用這兩演算法。如果不研究這些演算法，你就拿不到電子、計算或通信方面的學位。

3、迪科斯徹（Dijkstra）演算法

Dijkstra是一種圖譜搜尋演算法。許多問題都可以建模為圖譜，然後利用

Dijkstra尋找兩個節點之間的最短路徑。如果沒有Dijkstra演算法，網際網路的

運作效率必將大大降低。雖然今天我們已經有了更好的尋找最短路徑的解決方案，但出於穩定性的要求，Dijkstra演算法仍然被很多系統使用。

4、RSA加密演算法

如果沒有密碼術和網路安全，網際網路就不會像今天一樣重要，因為電子商務

和電子交易需要這些技術來確保交易安全。而RSA演算法是最重要的密碼學演

算法之一。該演算法由同名公司的創始人（Ron Rivest、Adi Shamir 和 Leonard Adleman）開發，它讓密碼學普及到了千家萬戶並奠定了密碼術的應用基礎。RSA 要解決的問題既簡單又複雜：如何在獨立平台與最終用戶之間共用公開金鑰。其解決方案是加密。

RSA 加密的基礎是一個十分簡單的數論事實：將兩個大質數相乘十分容易，但

是想要對其乘積進行因式分解卻極其困難，因此可以將乘積公開作為加密金鑰。但在分散式運算和量子電腦理論日趨成熟的今天，RSA 加密安全性受到了挑戰。

5、安全雜湊演算法（SHA）

這個實際上並不算是演算法，而是由美國國家標準技術研究所開發的一系列密

碼雜湊函數。但是這系列函數是全世界運作的基石。應用程式商店，電子郵件、反病毒、瀏覽器等在使用SHA系列函數，SHA 函數可用來確定下載的東西是

否自己想要的東西，還是說遭遇了中間人攻擊或釣魚攻擊。

6、質因數分解

這是一個在電腦領域使用頻繁的數學演算法。如果沒有這一演算法，密碼技術

就會變得不安全得多。質因數分解是用來將一個合數分解成一系列質因數的一

系列步驟。質因數分解可被視為是 FNP 問題（FNP 是難以解決的典型 NP 問題

的擴展）。

許多密碼協定均基於難以分解的大型合數或相關問題。比方說前面提到的 RSA

問題。如果有演算法能夠有效分解任意數位，那麼就會使得基於 RSA 的公開金

鑰密碼系統陷入不安全的境地。

而量子電腦的誕生則讓此問題的解決變得容易，從而也打開了一個全新的領域，可利用量子世界的屬性來讓系統更加安全。

7、連結分析

在網路時代，不同實體間關係的分析至關重要。從搜尋引擎和社群網路到行銷分析工具，每個人都想找出網路的真正結構。

連結分析無疑是公眾對演算法的最大困惑與迷思之一。其問題在於進行連結分析有不同的方式，而增加一些特徵就會令每一演算法略有不同（從而使得演算法受到專利保護），但基本上這些演算法都是類似的。

連結分析演算法首先由 Gabriel Pinski和 Francis Narin在 1976 年發明。其背後的思路很簡單，即把圖譜以矩陣的形式表示，從而轉為特徵值問題，而特徵值有助於瞭解圖譜結構及每個節點的相對重要性。

Google 的 PageRank，Facebook 展示新聞源，Google+，Facebook 朋友推薦，LinkedIn 工作及連絡人推薦，Netflix 與 Hulu 的電影推薦，YouTube 影片推薦等均使用了連結分析演算法。雖然每個都有不同的目標和參數，但其背後的數學是一樣的。

8、比例積分微分演算法

如果你用過飛機、汽車、衛星服務或手機網路，如果你在工廠待過或者見過機器人，那麼你已經見識過這一PID演算法的作用了。

該演算法利用了控制迴路機制來讓期望輸出訊號與實際輸出訊號之間的錯誤降到最小。只要需要訊號處理或需要電子系統來控制自動化的機械、水力或熱力系統就要用到它。

因此可以說如果沒有這一演算法，人類的現代文明將不復存在。

9、資料壓縮演算法

資料壓縮演算法無疑是非常重要的，因為幾乎在所有的結構中都要用到。除了最明顯的壓縮文件以外，網頁下載時也會壓縮，影片遊戲、影片、音樂、資料存儲、雲端計算、資料庫等等也都要使用壓縮演算法。可以說幾乎所有應用都要使用壓縮演算法。壓縮演算法讓系統更有效成本更低，但是要想確定哪一個最重要卻很困難，因為應用不同，使用的壓縮演算法從 zip 到 mp3、JPEG 或MPEG-2 各異。

10、亂數產生演算法

很多應用都需要亂數。像interlink connection，密碼系統、影片遊戲、人工智慧、最佳化、問題的初始條件，金融等都需要生成亂數。但實際上目前我們並沒有「真正」的亂數產生器，儘管有一些偽亂數產生器也是非常有效的。

當然，十大演算法也可能有湊數之嫌，審視的角度不同對演算法的重要性看法

也會很不一樣，如果你認為這一榜單有錯漏的地方，不妨在評論中貢獻你的意見。

图像中角点(特征点)提取与匹配算法

角点提取与匹配算法实验报告 1 说明 本文实验的目标是对于两幅相似的图像，通过角点检测算法，进而找出这两幅图像的共同点，从而可以把这两幅图像合并成一幅图像。 下面描述该实验的基本步骤: 1.本文所采用的角点检测算法是Harris 角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式： 2 ,,|,|,,()(x y x y x u y v x y x y I I E w I I w u v o X Y ??= -=++??∑∑ (1) 其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为2 2 2 ()/,x y x y w e σ +=； I 为图像灰度函数，略去无穷小项有： 222222 ,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv = ++=++∑ （2） 将,x y E 化为二次型有： ,[]x y u E u v M v ?? =???? (3) M 为实对称矩阵： 2 ,2 x y x x y x y y I I I M w I I I ???= ???????∑ (4) 通过对角化处理得到： 11 ,200x y E R R λλ-??= ??? (5) 其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。Harris 的角点响应函数(CRF)表达式由此而得到： 2 (,)det()(())C RF x y M k trace M =- (6)

SIFT 特征提取算法详解

SIFT 特征提取算法总结 主要步骤 1)、尺度空间的生成； 2)、检测尺度空间极值点； 3)、精确定位极值点； 4)、为每个关键点指定方向参数； 5)、关键点描述子的生成。 L(x,y,σ), σ= 1.6 a good tradeoff

D(x,y,σ), σ= 1.6 a good tradeoff

关于尺度空间的理解说明：图中的2是必须的，尺度空间是连续的。在 Lowe 的论文中， 将第0层的初始尺度定为1.6，图片的初始尺度定为0.5. 在检测极值点前对原始图像的高斯平滑以致图像丢失高频信息，所以Lowe 建议在建立尺度空间前首先对原始图像长宽扩展一倍，以保留原始图像信息，增加特征点数量。尺度越大图像越模糊。 next octave 是由first octave 降采样得到（如2） ， 尺度空间的所有取值，s为每组层数，一般为3~5 在DOG尺度空间下的极值点 同一组中的相邻尺度（由于k的取值关系，肯定是上下层）之间进行寻找

在极值比较的过程中，每一组图像的首末两层是无法进行极值比较的，为了满足尺度 变化的连续性，我们在每一组图像的顶层继续用高斯模糊生成了 3 幅图像， 高斯金字塔有每组S+3层图像。DOG金字塔每组有S+2层图像.

If ratio > (r+1)2/(r), throw it out (SIFT uses r=10) 表示DOG金字塔中某一尺度的图像x方向求导两次 通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）？

直方图中的峰值就是主方向，其他的达到最大值80%的方向可作为辅助方向 Identify peak and assign orientation and sum of magnitude to key point The user may choose a threshold to exclude key points based on their assigned sum of magnitudes. 利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备 旋转不变性。以关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度 方向。梯度直方图的范围是0～360度，其中每10度一个柱，总共36个柱。随着距中心点越远的领域其对直方图的贡献也响应减小.Lowe论文中还提到要使用高斯函 数对直方图进行平滑，减少突变的影响。

特征选择与特征提取

模式类别的可分性判据 在讨论特征选择和特征压缩之前，我们先要确定一个选择和提取的原则。对一个原始特征来说，特征选择的方案很多，从N 维特征种 选择出M 个特征共有()!!! M N N C M N M = -中选法，其中哪一种方案最佳， 则需要有一个原则来进行指导。同样，特征的压缩实际上是要找到M 个N 元函数，N 元函数的数量是不可数的，这也要有一个原则来指导找出M 个最佳的N 元函数。 我们进行特征选择和特征提取的最终目的还是要进行识别，因此应该是以对识别最有利原则，这样的原则我们称为是类别的可分性判据。用这样的可分性判据可以度量当前特征维数下类别样本的可分性。可分性越大，对识别越有利，可分性越小，对识别越不利。 人们对的特征的可分性判据研究很多，然而到目前为止还没有取得一个完全满意的结果，没有哪一个判据能够完全度量出类别的可分性。下面介绍几种常用的判据，我们需要根据实际问题，从中选择出一种。 一般来说，我们希望可分性判据满足以下几个条件： 1. 与识别的错误率由直接的联系，当判据取最大值时，识别的错误率最小； 2. 当特征独立时有可加性，即： ()()121 ,,,N ij N ij k k J x x x J x ==∑

ij J 是第i 类和第j 类的可分性判据，ij J 越大，两类的可分程度 越大，()12,,,N x x x 为N 维特征； 3. 应具有某种距离的特点： 0ij J >，当i j ≠时； 0 ij J =，当i j =时； ij ji J J =； 4. 单调性，加入新的特征后，判据不减小： ()()12121,,,,,,,ij N ij N N J x x x J x x x x +≤ 。 但是遗憾的是现在所经常使用的各种判据很难满足上述全部条件，只能满足一个或几个条件。 基于矩阵形式的可分性判据 1. 类内散度矩阵 设有M 个类别，1,,M ΩΩ ，i Ω类样本集()()(){}12,,,i i i i N X X X ，i Ω类 的散度矩阵定义为： () ()() ( )()() ( ) 1 1i N T i i i i i w k k k i S N == --∑X m X m 总的类内散度矩阵为： ()() ()() () ()() () () 1 1 1 1 i N M M T i i i i i w i w i k k i i k i S P S P N ==== Ω= Ω--∑∑∑X m X m 2. 类间散度矩阵 第i 个类别和第j 个类别之间的散度矩阵定义为： () () () ( )() () ( ) T ij i j i j B S =--m m m m 总的类间散度矩阵可以定义为：

干部人事档案工作整理分类明细

干部人事档案工作整理分类明细 一、第一类履历材料 主要有《干部履历表》和干部简历等材料。 （一）干部、工人、教师、医务人员、军人、学生等各类人员的履历表（书）、登记表、简历表； （二）个人参加革命活动简历的材料，如中央和地方各级党委委员（候补委员）简历，人大代表、政协委员简历； （三）其他由本人填写反映个人经历情况的各种表格。 二、第二类自传和思想类材料 主要有自传、参加党的重大教育活动情况和重要党性分析、重要思想汇报等材料。 （一）干部本人历次所写的自传； （二）带有自传的履历或简历表； （三）入党（团）申请书中能分开的自传内容材料； （四）带有自传内容的其它材料。 三、第三类考核鉴定类材料 主要有平时考核、年度考核、专项考核、任（聘）期考核，工作鉴定，重大政治事件、突发事件和重大任务中的表现，援派、挂职锻炼考核鉴定，党组织书记抓基层党建评价意见等材料。 （一）个人鉴定，干部、党员、团员、学生等各类人员的鉴定材料； （二）以考核为主要内容的材料，如定期考核材料，年度考核登记表，援藏、援疆、援青、挂职锻炼等考核材料； （三）在重大政治事件、突发事件和重大任务中的表现材

料； （四）专项考核形成的重要材料；干部人才参加援派、挂职、扶贫和博士服务团等工作中形成的考核、鉴定材料；党委（党组）对下一级党组织书记抓基层党建工作情况的综合评价意见等。 注意：自2015年档案专项审核工作起，“干部任免审批表及其相应的考察材料或表现材料归到第九类”。这里所谓“相应的考察材料或表现材料”，是指由于干部职务任免而形成的考察或表现材料。 四、第四类学历学位、职称、学术、培训等材料 主要有中学以来取得的学历学位，职业（任职）资格和评聘专业技术职务（职称），当选院士，入选重大人才工程，发明创造、科研成果获奖、着作译注和有重大影响的论文目录，政策、业务知识、文化素养培训和技能训练情况等材料。 第四类材料又分为四小类： 4-1 学历学位材料 4-2 专业技术职务材料 4-3 科研学术材料 4-4 培训材料 （一）4-1学历学位材料 1.学生登记表；高中毕业生登记表；中专毕业生登记表；学习鉴定表、学习考核表； 2.普通高等教育、成人高等教育、自学考试、党校、军队院校报考登记表，入学考试各科成绩表，研究生推免生登记表，专家推荐表； 3.学生（学员、学籍）登记表，学习成绩表、毕业生登记

一种支持构件关系描述的构件库信息模型

一种支持构件关系描述的构件库信息模型 摘要：随着软件复用技术研究的深入和软件构件库应用规模的扩大，构件库中构件的种类日益增多，构件间关系日渐复杂。这就需要对传统的构件库信息模型进行扩展，在完整描述构件自身信息的基础上，增加对构件间关系信息描述的支持。为了有效地发挥构件库的作用，提出的软件构件库信息模型在已有模型的基础上采用刻面描述机制并增加了对构件间关系的描述，利用该模型不仅可以有效地描述构件的各种信息，还使得用户可以根据构件之间的关系检索构件。 关键词：构件库；构件库数据模型；构件关系；刻面分类 中图分类号： TN911-34; TP311 文献标识码：A 文章编号：1004-373X(2011)19 -0140 -04 Design of Component Library Information Model Supporting Component Relationship Description

ZHANG Jing-guo, GUO Min (College of Electronic and Control Engineering, Beijing University of Technology, Beijing 100124, China) Abstract：With the deepening of the research on software reuse technique and the development of component library scale, the categories of components stored in the library are growing rapidly, and the relations among components become more and more complex. Thus, the traditional component library information model needs to be expanded. Based on a complete component information description, the description of relations among components is added. In order to effectively play the role of library, a component library information model is presented. On the basis of the existing model, it adopts facet classification mechanism and adds relations among components. This model can be used to describe all kinds of component information effectively, and allow users to retrieve components according to the relations among the components. Keywords：component library; component library information model; component relation; facet classification 收稿日期：2011-05-21 0 引言

设施设备分类和编码规定

设施、设备分类和编码规定 编制：日期：年月日 审核：日期：年月日 批准：日期：年月日

1.0目的 为规范物业服务区域内的设施、设备进行统一的分类、编码，使之受到有效控制，特制定本规定。 2.0范围 适用于四川万晟物业服务有限公司所管辖各物业服务中心设施设备分类和编码 3.0职责 3.1工程维护部主管负责按分类和编码规定具体实施设施设备的编码、标识的时间。 3.2工程维护部主管负责对设施设备分类、编码、标识工作进行督导、确认。 3.3工程维护部领班应按设备编码顺序建立《设施设备机具台账》、《设施设备编码标识清单》，并指导工程维护员完成对现场设施设备进行标识。 3.4工程维护员按《设施设备机具台账》、《设施设备编码标识清单》对设施设备进行标识。 4.0工作内容 4.1设施设备编码原则： 4.1.1设备编码必须是唯一。 4.1.2所有设备一次性进行编码，确保编码的统一性和唯一性。 4.1.3设备的编码位数按实际的数量进行编制，并具有可操作性。 4.1.4设备编码应具备可扩展性，一是对设施类别的扩展，二是对设备数量的扩展。 4.1.5设备编码可考虑与楼宇信息管理等计算机系统相连接。 4.2设施设备编码规则： ×—×—×—×设施设备顺序号 设施设备编号 设施设备系统类别编号 物业服务中心代码 4.2.1各物业服务中心代码按对应物业服务中心汉语拼音简称（一般为2-3个字母）：【万晟城·峰景】物业服务中心——FJ 【万晟城·峰阁】物业服务中心——FG

4.3设备系统类别编号按对应设备系统汉语拼音简称（一般为2-3个字母） 4.3.1配电系统：PD GJX—高压进线柜 GJL—高压计量柜 GPT—高压PT柜 GYG—高压配电柜DJX—低压进线柜 DJL—低压计量柜 DYG—低压配电柜 DLL—低压联络柜KZX—电器控制箱 PDX—配电箱 DRG—电容柜 YZM—应急照明箱BYQ—变压器 DB—电表柜 DBKZ—电表控制柜 4.3.2给水系统：GS SHB—生活水泵 SX—水箱 KZX—电器控制箱 4.3.3排污系统：PW PWB—排污泵 KZX—电器控制箱 4.3.4机电系统：JD FDJ—发电机组 DT—电梯 KZX—电器控制箱 LQT—发电机冷却塔4.3.5消防系统：XF XFB—消防泵 PLB—喷淋泵 MHQ—灭火器 XHS—消火栓MKX—模块箱 XQJ—消防区报机 DH—消防报警电话 XZP—消防火灾控制盘XKX--消防控制箱 SBF—湿式报警阀 SBQ—手动报警器 WGT—温感探头YGT—烟感探头 ZYB--消防增压泵 SC--消防水池 4.3.6弱电系统：RD SXJ—摄像机 MKJ—门口机 DJ—对讲机 HWD—红外对射器XSQ—显示器 BJY—背景音箱 4.4设施系统类别编号按对应设施系统汉语拼音简称（一般为2-3个字母） 4.4.1外围总坪照明：ZM CP--草坪灯 SJ--三角路灯 SD--射灯 MT--门厅灯 GG--高杆灯 TJ--庭园灯 SS--射树灯 SX--水下灯 DM--地埋灯 QB--嵌壁灯 GG--高杆灯 HT--花台灯 4.4.2楼道应急照明：LYM TD—筒灯 SD--射灯 GD—光带 RGD—日光灯SZD—疏散指示灯 DJD—地脚灯

干部档案十大类内容精选整理精选

干部档案十大类内容 第一类履历材料（按时间顺序排放） 包括以反映干部本人自然情况、经历、家庭和社会关系等基本情况为主要内容的材料。 中央和地方各级党委委员(候补委员)简历，人大常委会委员、政协委员简历的归类，此次明确归入第一类。 履历材料一定要有本人照片、本人签名、填表时间和组织印章。 招工登记表（审批表）、入伍登记表、退伍登记表归第一类，此次统一调整到9-2类（老档案不用调整，新档案按新标准分类）。 学生登记表此次统一调整到第四类。 第二类自传及属于自传性质的材料（家史材料）（按时间顺序排放）自传一定要有本人签字和时间。党员领导干部个人有关事项报告表归入此类。（现有关事项报告表是6页，而且每年都有，建议不放）。 第三类考察、考核、鉴定材料（按时间顺序排放） 在重大政治事件、突发事件和重大任务中的表现材料;定期考核材料，年度考核登记表，援藏、援疆、挂职锻炼等考核材料;工作调动、转业等鉴定材料;后备干部登记表(提拔使用后归档)等材料；审计工作中形成的经济责任审计结果报告。 注：1、由于干部职务任免而形成的考察(表现)材料归9-2类，放在任免表之后作为附件。 2、1993年以来的《年度考核登记表》须收集齐全，或在档案中有相应记载。 第四类分成四大块（均按时间顺序排放）以前顺序为学

历材料-各类培训资料-专业技术职务任职资格资料，现统一调整为学历学位材料-专业技术职务任职资格资料-科研学术水平材料-各类培训资料 学习(培训)鉴定表、学习(培训)考核表归第三类，此次统一调整到第4—4类。 第一块学历学位材料 （卷中材料序号上要标注4－1－） 高中毕业生登记表；中专毕业生登记表；普通高等教育、自学考试、党校、军队院校报考登记表，入学考试各科成绩表，研究生推免表，专家推荐表；学生（学员、学籍）登记表，学习成绩表、毕业生登记表，授予学位的材料，毕业证书、学位证书复印件，党校学历证明；选拔留学生审查登记表等参加出国（境）学习和中外合作办学学习的有关材料；国务院学位委员会、教育部授权单位出具的国内外学历学位认证材料等。 第二块专业技术职务任职资格资料 （卷中材料序号上要标注4－2－） 专业技术职务任职资格申报表、专业技术职务考绩材料、聘任专业技术职务的审批表、套改和晋升专业职务审批表、职业资格考试合格人员登记表或职业(任职)资格证书复印件、教师资格认定申请表。 1990年以前的评职称的文件可以放入档案，且放入的文件一定是原件。1990年以后的职称评定文件不能放入。干部人事档案中只存放职称评审表，证明该同志职称等级情况即可。 如果档案主人的工资等待遇是走职称的，在没有晋升到最高级职称以前，专业技术职务考绩材料尽量暂时不放入档案中，应将评下一次职称时不再需要的考绩、考核材料放入人事档案。因

【软件体系结构】 复习提纲七道题目答案(供参考)

共1页 1.理解并比较构件分类的三种方法，如何在其中检索构件？每种方法各有什么优缺 点？ 关键字分类法：是一种最简单的构件库组织方法，其基本思想是：根据领域分析的结果将应用领域的概念按照从抽象到具体的顺序逐次分解为树形或有向无回路图结构。 优点：简单，易于实现； 缺点：但在某些场合没有应用价值，因为用户往往无法用构建库中已有的关键字描述期望的构建功能或行为，对库的浏览也容易使用户迷失方向； 刻面分类法：主要思想来源于图书馆学，在刻面分类机制中，定义若干用于刻画构件特征的“面”，每个面包含若干概念，这些概念表述构件在面上的特征。刻面可以描述构件执行的功能，被操作的数据，构件应用的语境或任意其他特征。 这种方法的。 优点：易于实现相似构件的查找； 缺点：查询时比较麻烦； 超文本组织方法：其主要思想是所有构件必须辅以详尽的功能或行为说明文档； 说明中出现的重要概念或构件以网状链接方式相互连接；检索者在阅读文档的过程中可按照人类的联想思维方式任意跳转到包含相关概念或构件的文档；全文检索系统将用户给出的关键字与文档中的文字进行匹配，实现构件的浏览式检索。 超文本组织方法为构造构件和重用构件提供了友好，直接的多媒体方式。 优点：由于网状结构比较自由，松散，因此，超文本组织方法比前两种方法更易于修改构件库的结构； 缺点：但在某些情况下用户难以在超文本浏览过程中正确选取构件； 2.详细了解什么是Web服务体系结构？ 在因特网上有许多系统和平台，在这些系统和平台上又有更多的应用程序。说得更明白些就是，存在着许多技术，把客户端连接到服务器，这其中包括DCOM、CORBA 和其它各种技术；而Web服务则是在HTTP、XML和SOAP这样的开放标准上形成的，它具有更新和更简单的连接类型 服务注册中心、服务提供者和服务请求者之间的交互和操作构成了Web服务的体系结构。在Web服务模型的解决方案中，服务提供者定义并实现Web服务，使用服务描述语言（WSDL）描述Web服务，然后将服务描述发布到服务请求者或服务注册中心；服务请求者使用查找操作从本地或服务注册中心检索服务描述，然后使用服务描述与服务提供者进行绑定并调用Web服务。服务注册中心是整个模型中的可选角色，它是连接服务提供者和服务请求者的纽带；

SIFT特征点提取与匹配算法

SIFT 特征点匹配算法 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能相对高效地计算出关键点的位置，建议使用的是差分高斯函数（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。

设备分类编码规定

*/*** ******************企业标准 ******—2016 设备分类编码规定 点击此处添加标准英文译名 点击此处添加与国际标准一致性程度的标识 （报批稿） （本稿完成日期2016年7月20日） 2016－07－25发布2016－08－01实施 ************院发布

********—2016 目次 前言 (3) 1.范围 (4) 2.规范性引用文件 (4) 3.设备的分类 (4) 4.设备编码规则及说明 (4) 4.1设备主体编码 (4) 4.1.1设备主体编码结构形式： (4) 4.1.2设备主体编码结构说明： (5) 4.2设备附属设备、附件、专用工具、工装夹具、资料等编码 (6) 4.2.1附件码结构形式： (6) 4.2.2设备附属设备、附件、专用工具、工装夹具、资料等编码结构说明： (6) 4.3部门代码说明 (8) 5.设备编码明细 (8)

前言 本标准依照《行政事业单位国有资产管理办法》、《***市直行政事业单位国有资产处置管理暂行办法》的《***院组织章程》，并参考《固定资产分类与代码》（GB/T 14885-2010）而制定。 本标准的编写要求是根据国家标准GB/T 15498-2003《企业标准体系管理标准和工作标准体系》中的6.3的规定，并结合***院的实际而编制。 本标准按照GB/T 1.1-2009《标准化工作导则第一部分：标准的结构的编写》给出的规则起草。 本标准由北***院提出。 本标准起草单位：***院动力保障部。 本标准主要起草人：***。

设备分类编码规定 1.范围 本标准规定了***院（以下简称“北大光电院”或“***院”）设备的分类、设备编码规则及说明，并给出***院的设备编码明细表。 本办法适用于***院设备、附属设备及其附件的编码。 2.规范性引用文件 下列文件对于本文件的应用是必不可少的。凡是标注日期的引用文件，仅所注日期的版本适用于本文件。凡是没标注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。 GB/T 14885-2010 固定资产分类与代码 *****设备管理办法 ***** 文件管理办法 3.设备的分类 3.1.***院设备的各类分为专用设备和通用设备两大类。 3.2.专用设备包括：消防设备、动力保障设备、工艺及检测设备、仪器仪表、工量器具、 辅助设备及其它专用设备。 3.3.通用设备包括：IT设备、办公设备、交通工具、文体设备及其它通用设备。 4.设备编码规则及说明 4.1设备主体编码 4.1.1设备主体编码结构形式：

干部人事档案材料的分类、排序、编目

干部人事档案材料的分类、排序、编目一、干部人事档案材料的分类 依据《干部档案工作条例》和《干部人事档案材料收集归档规定》，结合当前工作实际，对干部人事档案材料十大类内容的原则划分如下： 第一类履历材料：干部履历表（书）、简历表，干部、职工、教师、医务人员、军人、学生等各类人员登记表；个人简历材料；更改姓名的材料（报告与批件）。 说明： 1.学生就读期间填写的反映其本人经历的登记表放第一类，而中学、大学报考登记表与成绩单和毕业生登记表共同构成一整套学历材料，放第四类。 2.反映党、团员一般经历的登记表或简历表放第一类，而在整党或重新登记过程中形成的党、团员登记表，则放第六类。

3.干部履历鉴定书（表）或履历表、简历表有鉴定的，以履历为主的放第一类，以鉴定为主的放第三类。 4.可以确认干部参加工作时间的登记表（如应征入伍登记表、兵役登记表、知识青年上山下乡登记表等材料），归第九类。 5.没有实际内容的表格（如待业人员登记表等材料），不归档。如确有保存价值的（如工会会员登记表），可放第十类。 第二类自传材料：是由本人撰写的叙述自己经历、思想变化过程、社会关系等情况的材料，包括自传、干部自传以及其他自传性质和以自传为主的材料。 说明： 1.有的干部没有写过自传，可将含有自传内容较多的入党申请书放第二类，并在干部档案目录中标明“代自传”。 2.组织上要求干部本人交待的有关本人经历、

家庭情况或社会关系等材料，凡有专题调查报告、调查材料及结论性意见的材料，应合并一起放第五类。 3.一般性的科技干部业务自传、技术自传，不归档。 第三类鉴定、考核、考察材料：以鉴定（含自我鉴定）为主要内容的各类人员登记表，组织正式出具的鉴定干部表现情况材料，作为干部任免、调动依据的正式考察综合材料，干部考核和民主评议的综合材料，党政机关、事业单位工作人员年度考核表，离任审计材料等。 说明： 1.含有成绩（或有“同意毕业”、“准予毕业”意见）的毕业生鉴定表放第四类。 2.离任审计工作中形成的审计报告或干部离任审计考核材料，一般放第三类。而在审计中发现干部有经济或其他问题的，则放第八类。 3.总结（毕业总结），以鉴定为主的放第三类；重点谈收获、体会的放第十类。

基于刻面分类的构件检索

基于刻面分类的构件检索 袁冬娟，周晓峰 河海大学计算机及信息工程学院，江苏南京（210098） 摘要：构件库是软件复用技术的核心，而如何有效检索到可复用的构件是关键。在众多的构件检索方法中，刻面检索是一种得到广泛应用和高效的检索方法。这方面的研究和实践也一直是构件检索的重点，并且结合新技术而不断发展着。本文介绍了构件刻面检索的现状，并对其未来的发展进行了展望。 关键词：软件复用，构件检索，刻面 1引言 软件构件技术是影响整个软件产业的关键技术之一[1]。它被认为是有效提高软件生产率、缩短软件产品交付时间和提高软件质量的新途径。近年来,构件技术的发展和基于构件的软件工程(Component - Based Software Engineering,CBSE)[2]的提出,使得构件库的建立成为发展的必然趋势, 因为基于构件的软件开发需要具有大量可供选择的可复用构件，提供验证合格的构件就必须通过构件库来实现，但如何有效地从构件库中准确地检索到所需要的构件是构建构件库的关键技术问题。有效的构件检索机制能够降低构件查找和理解的成本，软件构件的分类和检索方法决定了构件库的组织、管理,以及构件库的查询和用户对软件构件的理解,是软件复用的基础性问题,也是近来软件复用研究的一个热点。基于刻面分类的构件检索方法以其能够较大地提高检索效率，而且有助于复用者理解构件和目标领域的优点得到广泛的应用。 2构件检索的现状 随着软件复用实践的深入和构件库规模的扩大以及新技术的不断发展，出现了很多构件检索方法。目前的构件分类和检索方法有两种：一是W. Frakes从构件表示出发分为的人工智能方法、超文本方法和信息科学方法三类。信息科学方法是目前实际复用项目中应用较为成功的一类, 又分为基于受控词汇表（枚举、刻面）分类和基于不受控词汇表（如关键词）分类两种形式，其中以枚举、刻面、属性值、关键词和正文检索几种方法较为常见；另外就是H. Mili按照复杂度和检索效果的递增将其分为基于文本的、基于词法描述子的和基于规约的编码和检索方法[3]。构件检索方法又可以归结为三类：基于外部索引的检索(如关键词、刻面、属性值)、基于内部静态索引的检索（基于规约的构件检索）和基于内部动态索引的检索（基于行为的检索）[4]。具体的研究和实际应用例如Prieto-Diaz提出的基于刻面分类的检索[5]，Andy Podgurski等人提出的基于构件行为采样的检索[6]，Merkl D.[7]等人首次将神经网络用于构件检索，Penix J.[8]等人提出利用语义特征对构件进行分类检索；到对构件的形式化表示和检索，在文[9]中作者提出对构件的基调匹配和规约匹配；1999年Damiani E. 在文[10]将模糊数学用于构件的检索。构件搜索引擎是近年来CMU/SEI的Seacord等人研究和开发的一种构件搜索系统[11]，能够在Internet的各个节点上自动寻找和搜集JavaBeans、Active X、CORBA、EJB等构件，获得构件的URL等相关信息，并为之建立索引。随着www 和Internet技术的发展，出现了xml、Web Services等技术以及本体的理论都为构件检索提供更为广阔的前景。在文[12]中将xml结合刻面分类方法来对构件进行表示和检索。李玉山等人在文[13]中介绍了在刻面分类的检索的基础上采用Web Services技术对构件进行封装实现

SIFT特征点提取与匹配算法

二 特征点提取算法 1、基于SIFT （Scale Invariant Feature Transform ）方法的图像特征匹配 参看David G. Lowe 的“Distinctive Image Features from Scale-Invariant Keypoints ” 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能计算的相对高效，所真正使用的是差分高斯尺度空间（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是由两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。

图像特征提取算法

Histograms of for Human Detection Navneet Dalal and Bill Triggs INRIA Rh?o ne-Alps,655avenue de l’Europe,Montbonnot38334,France {Navneet.Dalal,Bill.Triggs}@inrialpes.fr,http://lear.inrialpes.fr Abstract We study the question of feature sets for ob-ject recognition,adopting linear SVM based human detec-tion as a test case.After reviewing existing edge and gra-dient based descriptors,we show experimentally that grids of Histograms of Oriented Gradient(HOG)descriptors sig-ni?cantly outperform existing feature sets for human detec-tion.We study the in?uence of each stage of the computation on performance,concluding that?ne-scale gradients,?ne orientation binning,relatively coarse spatial binning,and high-quality local contrast normalization in overlapping de-scriptor blocks are all important for good results.The new approach gives near-perfect separation on the original MIT pedestrian database,so we introduce a more challenging dataset containing over1800annotated human images with a large range of pose variations and backgrounds. 1Introduction Detecting humans in images is a challenging task owing to their variable appearance and the wide range of poses that they can adopt.The?rst need is a robust feature set that allows the human form to be discriminated cleanly,even in cluttered backgrounds under dif?cult illumination.We study the issue of feature sets for human detection,showing that lo-cally normalized Histogram of Oriented Gradient(HOG)de-scriptors provide excellent performance relative to other ex-isting feature sets including wavelets[17,22].The proposed descriptors are reminiscent of edge orientation histograms [4,5],SIFT descriptors[12]and shape contexts[1],but they are computed on a dense grid of uniformly spaced cells and they use overlapping local contrast normalizations for im-proved performance.We make a detailed study of the effects of various implementation choices on detector performance, taking“pedestrian detection”(the detection of mostly visible people in more or less upright poses)as a test case.For sim-plicity and speed,we use linear SVM as a baseline classi?er throughout the study.The new detectors give essentially per-fect results on the MIT pedestrian test set[18,17],so we have created a more challenging set containing over1800pedes-trian images with a large range of poses and backgrounds. Ongoing work suggests that our feature set performs equally well for other shape-based object classes. We brie?y discuss previous work on human detection in §2,give an overview of our method§3,describe our data sets in§4and give a detailed description and experimental evaluation of each stage of the process in§5–6.The main conclusions are summarized in§7. 2Previous Work There is an extensive literature on object detection,but here we mention just a few relevant papers on human detec-tion[18,17,22,16,20].See[6]for a survey.Papageorgiou et al[18]describe a pedestrian detector based on a polynomial SVM using recti?ed Haar wavelets as input descriptors,with a parts(subwindow)based variant in[17].Depoortere et al give an optimized version of this[2].Gavrila&Philomen [8]take a more direct approach,extracting edge images and matching them to a set of learned exemplars using chamfer distance.This has been used in a practical real-time pedes-trian detection system[7].Viola et al[22]build an ef?cient moving person detector,using AdaBoost to train a chain of progressively more complex region rejection rules based on Haar-like wavelets and space-time differences.Ronfard et al[19]build an articulated body detector by incorporating SVM based limb classi?ers over1st and2nd order Gaussian ?lters in a dynamic programming framework similar to those of Felzenszwalb&Huttenlocher[3]and Ioffe&Forsyth [9].Mikolajczyk et al[16]use combinations of orientation-position histograms with binary-thresholded gradient magni-tudes to build a parts based method containing detectors for faces,heads,and front and side pro?les of upper and lower body parts.In contrast,our detector uses a simpler archi-tecture with a single detection window,but appears to give signi?cantly higher performance on pedestrian images. 3Overview of the Method This section gives an overview of our feature extraction chain,which is summarized in?g.1.Implementation details are postponed until§6.The method is based on evaluating well-normalized local histograms of image gradient orienta-tions in a dense grid.Similar features have seen increasing use over the past decade[4,5,12,15].The basic idea is that local object appearance and shape can often be characterized rather well by the distribution of local intensity gradients or 1