（全国二等奖）“华为杯”第十四届中国研究生数学建模竞赛（基于监控视频的前景目标提取）

【实例简介】大家毕业设计的时候，用得到的软件测试的毕业论文，包括基本理论介绍以及自动化测试的实践使用。

　 以Logistic混沌映射的初值作为密钥,产生混沌序列构成加密模板来加密二值图像水印。在DCT变换域进行水印嵌入,进行非盲检测。该算法符合密码学要求,且仿真结果表明不可见性和鲁棒性良好。

收集的明解C语言，讲的比较好，适合入门。明解系列一共三本， 目前只翻译了前两本。压缩包里两个pdf文件质量可以，都有目录，我自己看的，放心下载。

基于HOG特征提取的图像分类器，HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。通过将整幅图像分割成小的连接区域称为cells，每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出所检测目标的目标）描述子。为改善准确率，局部直方图可以通过计算图像中一个较大区域称为block的光强作为measure被对比标准化，然后用这个measure归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。

三个点云模型文件；海豚，猫咪，兔子；文本格式；打开都是一堆三维数据；可用记事本打开；可用于测试程序；

【实例简介】Matlab编写的Hough圆检测，可以精确到亚像素，对研究Hough的人又很大帮助

【实例简介】卷积码的编译码，信道为AWGN信道，BPSK调制，码率为1/2，译码为viterbi硬判决，并画出了BER的曲线

这个是华为数字IC岗位给的参考提纲，我根据提纲找到了对应的书籍，打包给大家下载。

【实例简介】LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

1.含省、市、县级json数据2.内含使用demo，点击省切换到市级地图、点击市级地图切换到县级地图