耳鼻演算法

❶ 耳鼻喉科顯微鏡哪家好

耳鼻喉 (ENT) 顯微外科需要頂級成像質量和可視化效果。使用耳鼻喉科顯微鏡，專家們可以進行復雜、高精度但介入最少的耳鼻喉外科，實現理想的臨床預後。

徠卡顯微系統推出的耳鼻喉外科顯微鏡可在廣泛的耳鼻喉顯微外科工作中為專業醫師提供豐富、適應性強的解決方案。這些顯微鏡可定製，也可與其他設備集成，包括雙目鏡筒、物鏡鏡頭、手柄、支架等。

耳鼻喉科臨床照明對於理想的可視環境至關重要，但過高的光強會對皮膚造成損傷，尤其是兒童的皮膚更加嬌嫩脆弱。Leica Microsystems的創新照明管理系統有助於保護患者的皮膚和組織。當工作距離減小時，BrightCare Plus將自動降低光照強度，從而將患者灼傷的風險降至最低。內部照度計能夠根據實際的燈泡輸出來計算光強，而不是通過演算法。

徠卡顯微系統的解決方案能在顯微外科治療中為專業醫師提供有力支持。徠卡的創新顯微鏡技術能增強景深，定位精準，可操控性強。

❷ AI醫療技術有哪些重要應用

醫療領域是人工智慧一個重要的應用方向，與互聯網不同，人工智慧對醫療領域的改造是顛覆性的，過去五年是人工智慧醫療發展的加速期，人工智慧對於醫療健康領域中的應用已經非常廣泛。人工智慧在醫療方面的應用場景主要有哪些呢？

1、智能葯物研發

智能葯物研發是指將人工智慧中的深度學習技術應用於葯物研究，通過大數據分析等技術手段快速、准確地挖掘和篩選出合適的化合物或生物，達到縮短新葯研發周期、降低新葯研發成本、提高新葯研發成功率的目的。

新葯研發是一個時間長、耗費大、風險大的漫長過程。塔夫茨大學葯品研發研究中心通過既往獲批的葯物數據發現，研發一個新葯至少需要10年、26億美元的巨大投入。而人工智慧技術在新葯研發中可以發揮非常重要的作用。

2、智能診療

智能診療就是將人工智慧應用到醫學診療中，讓機器「學習」專家級醫師的醫療經驗和醫學文獻知識，模擬診療時的思維邏輯，並在實際應用時給出方案。現在，智能診療的概念進一步擴大，一些診療時的准備工作也可由機器承擔，進一步減輕醫生的壓力。

智能診療貫穿醫生面診的前中後整個流程，目前主流的開發方向包括：語音病歷、輔助決策、風險預警等領域。比如智能語音病歷，就是通過語音識別技術，幫助醫生快速錄入病歷，德信數據顯示，中國50%以上的住院醫生平均每天有4小時以上在寫病歷，而應用語音病歷後，醫生的主訴內容可以實時地轉換成文字，效率大大提升。

再比如輔助治療決策，輔助治療決策是很多科技公司目前重點研究的方向，通過先進演算法，以臨床指南知識庫為基礎，結合醫生經驗，對海量真實的臨床診療數據和離院隨訪數據進行訓練，能夠挖掘治療方案和結局的關聯，對比不同治療方案的效果。從而協助醫生為患者提供更精準優質的診療方案。

3、醫學影像智能識別

AI醫學影像是指利用AI在感覺認知和深度學習的技術優勢，將其應用在醫學影像領域，實現機器對醫學影像的分析判斷，是協助醫生完成診斷、治療工作的一種輔助工具，幫助醫生更快獲取影像信息，進行定量分析，提升醫生看圖、讀圖的效率，協助發現隱藏病灶，從而達到提高診斷效率和准確率的目的。

人工智慧在醫學影像應用主要分為兩部分：一是圖像識別，應用於感知環節，其主要目的是將影像進行分析，獲取一些有意義的信息；二是深度學習，應用於學習和分析環節，通過大量的影像數據和診斷數據，不斷對神經元網路進行深度學習訓練，促使其掌握診斷能力。

4、醫療機器人

醫療機器人是一種智能型服務機器人，它具有廣泛的感覺系統、智能和精密執行機構，從事醫療或輔助醫療工作。醫療機器人的目的並不是代替手術醫生，而是作為一種輔助工具來拓展醫生的手術能力、提高手術質量、減輕醫生的工作強度。

醫療機器人具有較為廣泛的概念，包括外科手術機器人、康復機器人、醫療服務機器人和微型檢測與治療機器人等。外科手術機器人根據手術類型不同可分為顯微外科手術機器人、神經外科手術機器人、耳鼻喉外殼手術機器人、整形外科與骨科手術機器人等。

5、智能健康管理

根據人工智慧而建造的智能設備可以監測到人們的一些基本身體特徵，如飲食、身體健康指數、睡眠等，對身體素質進行評估，提供個性的健康管理方案，及時識別疾病發生的風險，提醒用戶注意自己的身體健康安全。目前人工智慧在健康管理方面的應用主要在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基於精準醫學的健康管理。

健康管理行業因其預防、調養的基調和個體化管理的特性，正在成為預防醫學的主流。「十四五」期間我國進入高質量發展的新階段，我國健康管理也將進入一個新的發展階段。面臨機遇和挑戰，健康管理服務將向著更加廣泛、深入和個性化轉變，利用AI技術對健康管理進行智能升級的智能健康管理是目前適合我國國情的一種健康管理方式。

❸ 書籍的種類

分文學類，教輔類，童話類。

❹ 關於學校使用的校園人臉識別門禁系統，有推薦的嗎

校園人臉識別門禁系統品牌很多，選擇門禁系統時要注意以下幾點：

1、雙目活體識別功能

對比單目攝像頭而言，雙目攝像頭優勢很大，它是利用雙目演算法計算高精度的人臉數據，並且對人臉中的眼耳鼻等一些關鍵特徵點進行精確識別定位以及計算出各種特徵信息。這樣能做到有效的防止那些利用平面照片、不同彎曲程度的照片、PS圖片、模型、視頻等進行的仿冒欺詐，能夠精準檢測出是否為「活人」或「真人」，極大地確保了活體檢測的准確率。並解決冒名頂替，人證不符等問題，使得那些企圖持假證矇混過關的人無處遁形。

2、具有抗光線干擾能力

凡是一款好的人臉識別門禁除了「系統」的穩定性以外，還能夠保障在出現強逆光、弱光、黑夜、雨霧天等特殊情況下正常使用。如果是在室外應用，則產品需要具備在逆光、光線不足等情況下依然可以准確識別的能力，其實這就要求產品要具有補光能力。

3、是否具備個性定製服務

不同的項目對與「人臉識別門禁」設備的需求與用途都是不一樣的。因此，在選擇設備之時，需要對該設備軟體上的介面文檔有一個詳盡的了解。假如該設備的介面文檔殘缺不全或者甚至沒有，那麼即使設備質量很好，但是在實際使用中也是無法滿足項目方的需要。

校園人臉識別門禁系統推薦捷易門禁，捷易科技可以從伺服器到人臉識別門禁，攝像機，軟體系統，為校園打造渾然一體的軟、硬體解決方案。無感動態人臉識別通過，雙目活體防偽，門禁機識別到黑名單人員，系統自動報警。

❺ 遺傳演算法的基本原理

遺傳演算法的基本原理和方法

一、編碼

編碼：把一個問題的可行解從其解空間轉換到遺傳演算法的搜索空間的轉換方法。

解碼（解碼）：遺傳演算法解空間向問題空間的轉換。

二進制編碼的缺點是漢明懸崖（Hamming Cliff），就是在某些相鄰整數的二進制代碼之間有很大的漢明距離，使得遺傳演算法的交叉和突變都難以跨越。

格雷碼（Gray Code）：在相鄰整數之間漢明距離都為1。

（較好）有意義的積木塊編碼規則：所定編碼應當易於生成與所求問題相關的短距和低階的積木塊；最小字元集編碼規則，所定編碼應採用最小字元集以使問題得到自然的表示或描述。

二進制編碼比十進制編碼搜索能力強，但不能保持群體穩定性。

動態參數編碼（Dynamic Paremeter Coding）：為了得到很高的精度，讓遺傳演算法從很粗糙的精度開始收斂，當遺傳演算法找到一個區域後，就將搜索現在在這個區域，重新編碼，重新啟動，重復這一過程，直到達到要求的精度為止。

編碼方法：

1、 二進制編碼方法

缺點：存在著連續函數離散化時的映射誤差。不能直接反映出所求問題的本身結構特徵，不便於開發針對問題的專門知識的遺傳運算運算元，很難滿足積木塊編碼原則

2、 格雷碼編碼：連續的兩個整數所對應的編碼之間僅僅只有一個碼位是不同的，其餘碼位都相同。

3、 浮點數編碼方法：個體的每個基因值用某一范圍內的某個浮點數來表示，個體的編碼長度等於其決策變數的位數。

4、 各參數級聯編碼：對含有多個變數的個體進行編碼的方法。通常將各個參數分別以某種編碼方法進行編碼，然後再將他們的編碼按照一定順序連接在一起就組成了表示全部參數的個體編碼。

5、 多參數交叉編碼：將各個參數中起主要作用的碼位集中在一起，這樣它們就不易於被遺傳運算元破壞掉。

評估編碼的三個規范：完備性、健全性、非冗餘性。

二、選擇

遺傳演算法中的選擇操作就是用來確定如何從父代群體中按某種方法選取那些個體遺傳到下一代群體中的一種遺傳運算，用來確定重組或交叉個體，以及被選個體將產生多少個子代個體。

常用的選擇運算元：

1、 輪盤賭選擇（Roulette Wheel Selection）：是一種回放式隨機采樣方法。每個個體進入下一代的概率等於它的適應度值與整個種群中個體適應度值和的比例。選擇誤差較大。

2、 隨機競爭選擇（Stochastic Tournament）：每次按輪盤賭選擇一對個體，然後讓這兩個個體進行競爭，適應度高的被選中，如此反復，直到選滿為止。

3、 最佳保留選擇：首先按輪盤賭選擇方法執行遺傳演算法的選擇操作，然後將當前群體中適應度最高的個體結構完整地復制到下一代群體中。

4、 無回放隨機選擇（也叫期望值選擇Excepted Value Selection）：根據每個個體在下一代群體中的生存期望來進行隨機選擇運算。方法如下

（1） 計算群體中每個個體在下一代群體中的生存期望數目N。

（2） 若某一個體被選中參與交叉運算，則它在下一代中的生存期望數目減去0.5，若某一個體未被選中參與交叉運算，則它在下一代中的生存期望數目減去1.0。

（3） 隨著選擇過程的進行，若某一個體的生存期望數目小於0時，則該個體就不再有機會被選中。

5、 確定式選擇：按照一種確定的方式來進行選擇操作。具體操作過程如下：

（1） 計算群體中各個個體在下一代群體中的期望生存數目N。

（2） 用N的整數部分確定各個對應個體在下一代群體中的生存數目。

（3） 用N的小數部分對個體進行降序排列，順序取前M個個體加入到下一代群體中。至此可完全確定出下一代群體中M個個體。

6、無回放余數隨機選擇：可確保適應度比平均適應度大的一些個體能夠被遺傳到下一代群體中，因而選擇誤差比較小。

7、均勻排序：對群體中的所有個體按期適應度大小進行排序，基於這個排序來分配各個個體被選中的概率。

8、最佳保存策略：當前群體中適應度最高的個體不參與交叉運算和變異運算，而是用它來代替掉本代群體中經過交叉、變異等操作後所產生的適應度最低的個體。

9、隨機聯賽選擇：每次選取幾個個體中適應度最高的一個個體遺傳到下一代群體中。

10、排擠選擇：新生成的子代將代替或排擠相似的舊父代個體，提高群體的多樣性。

三、交叉

遺傳演算法的交叉操作，是指對兩個相互配對的染色體按某種方式相互交換其部分基因，從而形成兩個新的個體。

適用於二進制編碼個體或浮點數編碼個體的交叉運算元：

1、單點交叉（One－pointCrossover）：指在個體編碼串中只隨機設置一個交叉點，然後再該點相互交換兩個配對個體的部分染色體。

2、兩點交叉與多點交叉：

（1） 兩點交叉（Two－pointCrossover）：在個體編碼串中隨機設置了兩個交叉點，然後再進行部分基因交換。

（2） 多點交叉（Multi－pointCrossover）

3、均勻交叉（也稱一致交叉，UniformCrossover）：兩個配對個體的每個基因座上的基因都以相同的交叉概率進行交換，從而形成兩個新個體。

4、算術交叉（ArithmeticCrossover）：由兩個個體的線性組合而產生出兩個新的個體。該操作對象一般是由浮點數編碼表示的個體。

四、變異

遺傳演算法中的變異運算，是指將個體染色體編碼串中的某些基因座上的基因值用該基因座上的其它等位基因來替換，從而形成以給新的個體。

以下變異運算元適用於二進制編碼和浮點數編碼的個體：

1、基本位變異（SimpleMutation）：對個體編碼串中以變異概率、隨機指定的某一位或某幾位僅因座上的值做變異運算。

2、均勻變異（UniformMutation）：分別用符合某一范圍內均勻分布的隨機數，以某一較小的概率來替換個體編碼串中各個基因座上的原有基因值。（特別適用於在演算法的初級運行階段）

3、邊界變異（BoundaryMutation）：隨機的取基因座上的兩個對應邊界基因值之一去替代原有基因值。特別適用於最優點位於或接近於可行解的邊界時的一類問題。

4、非均勻變異：對原有的基因值做一隨機擾動，以擾動後的結果作為變異後的新基因值。對每個基因座都以相同的概率進行變異運算之後，相當於整個解向量在解空間中作了一次輕微的變動。

5、高斯近似變異：進行變異操作時用符號均值為P的平均值，方差為P2的正態分布的一個隨機數來替換原有的基因值。

❻ 常用的內存管理方法有哪幾種

常用的內存管理 方法 有哪幾種?下面是我給大家收集整理的一些相關方法技巧，希望對大家有幫助!

常用的內存管理方法

傳統的內存整理軟體工作原理大概是：先申請一塊“巨大內存”。因為物理內存幾乎全被內存整理軟體佔用，因此Windows被迫把其他軟體的內存數據轉移到硬碟上的“虛擬內存交換文件”(PageFile)中，完成這一過程之後內存整理軟體就會釋放掉剛剛申請的內存，至此整理過程完成，可用物理內存顯著增加。

大體上都是那麼回事，就是通過輔助空間，重新安排內存內容 ....

但是其中使用的演算法，效率是有很大的區別的 ～～ <script type="text/javascript"><!-- google_ad_client = "pub-4403405132739389"; google_ad_width = 250; google_ad_height = 250; google_ad_format = "250x250_as"; google_ad_type = "text"; //2007-10-22: 250*250 google_ad_channel = "7687946060"; google_ui_features = "rc:10"; //--> </script><script type="text/javascript" src=pagead2.googlesyndication/pagead/show_ads.js"> </script>

拓荒時代

國內的程序員大多是在 Java 語言中第一次感受到垃圾收集技術的巨大魅力的，許多人也因此把 Java 和垃圾收集看成了密不可分的整體。但事實上，垃圾收集技術早在 Java 語言問世前 30 多年就已經發展和成熟起來了， Java 語言所做的不過是把這項神奇的技術帶到了廣大程序員身邊而已。

如果一定要為垃圾收集技術找一個孿生兄弟，那麼， Lisp 語言才是當之無愧的人選。 1960 年前後誕生於 MIT 的 Lisp 語言是第一種高度依賴於動態內存分配技術的語言： Lisp 中幾乎所有數據都以“表”的形式出現，而“表”所佔用的空間則是在堆中動態分配得到的。 Lisp 語言先天就具有的動態內存管理特性要求 Lisp 語言的設計者必須解決堆中每一個內存塊的自動釋放問題(否則， Lisp 程序員就必然被程序中不計其數的 free 或 delete 語句淹沒)，這直接導致了垃圾收集技術的誕生和發展——說句題外話，上大學時，一位老師曾告訴我們， Lisp 是對現代軟體開發技術貢獻最大的語言。我當時對這一說法不以為然：布滿了圓括弧，看上去像迷宮一樣的 Lisp 語言怎麼能比 C 語言或 Pascal 語言更偉大呢?不過現在，當我知道垃圾收集技術、數據結構技術、人工智慧技術、並行處理技術、虛擬機技術、元數據技術以及程序員們耳熟能詳的許多技術都起源於 Lisp 語言時，我特別想向那位老師當面道歉，並收回我當時的幼稚想法。

知道了 Lisp 語言與垃圾收集的密切關系，我們就不難理解，為什麼垃圾收集技術的兩位先驅者 J. McCarthy 和 M. L. Minsky 同時也是 Lisp 語言發展史上的重要人物了。 J. McCarthy 是 Lisp 之父，他在發明 Lisp 語言的同時也第一次完整地描述了垃圾收集的演算法和實現方式; M. L. Minsky 則在發展 Lisp 語言的過程中成為了今天好幾種主流垃圾收集演算法的奠基人——和當時不少技術大師的經歷相似， J. McCarthy 和 M. L. Minsky 在許多不同的技術領域里都取得了令人艷羨的成就。也許，在 1960 年代那個軟體開發史上的拓荒時代里，思維敏捷、意志堅定的研究者更容易成為無所不能的西部硬漢吧。

在了解垃圾收集演算法的起源之前，有必要先回顧一下內存分配的主要方式。我們知道，大多數主流的語言或運行環境都支持三種最基本的內存分配方式，它們分別是：

一、靜態分配( Static Allocation )：靜態變數和全局變數的分配形式。我們可以把靜態分配的內存看成是家裡的耐用傢具。通常，它們無需釋放和回收，因為沒人會天天把大衣櫃當作垃圾扔到窗外。

二、自動分配( Automatic Allocation )：在棧中為局部變數分配內存的方法。棧中的內存可以隨著代碼塊退出時的出棧操作被自動釋放。這類似於到家中串門的訪客，天色一晚就要各回各家，除了個別不識時務者以外，我們一般沒必要把客人捆在垃圾袋裡掃地出門。

三、動態分配( Dynamic Allocation )：在堆中動態分配內存空間以存儲數據的方式。堆中的內存塊好像我們日常使用的餐巾紙，用過了就得扔到垃圾箱里，否則屋內就會滿地狼藉。像我這樣的懶人做夢都想有一台家用機器人跟在身邊打掃衛生。在軟體開發中，如果你懶得釋放內存，那麼你也需要一台類似的機器人——這其實就是一個由特定演算法實現的垃圾收集器。

也就是說，下面提到的所有垃圾收集演算法都是在程序運行過程中收集並清理廢舊“餐巾紙”的演算法，它們的操作對象既不是靜態變數，也不是局部變數，而是堆中所有已分配內存塊。

引用計數( Reference Counting )演算法

1960 年以前，人們為胚胎中的 Lisp 語言設計垃圾收集機制時，第一個想到的演算法是引用計數演算法。拿餐巾紙的例子來說，這種演算法的原理大致可以描述為：

午餐時，為了把腦子里突然跳出來的設計靈感記下來，我從餐巾紙袋中抽出一張餐巾紙，打算在上面畫出系統架構的藍圖。按照“餐巾紙使用規約之引用計數版”的要求，畫圖之前，我必須先在餐巾紙的一角寫上計數值 1 ，以表示我在使用這張餐巾紙。這時，如果你也想看看我畫的藍圖，那你就要把餐巾紙上的計數值加 1 ，將它改為 2 ，這表明目前有 2 個人在同時使用這張餐巾紙(當然，我是不會允許你用這張餐巾紙來擦鼻涕的)。你看完後，必須把計數值減 1 ，表明你對該餐巾紙的使用已經結束。同樣，當我將餐巾紙上的內容全部謄寫到 筆記本 上之後，我也會自覺地把餐巾紙上的計數值減 1 。此時，不出意外的話，這張餐巾紙上的計數值應當是 0 ，它會被垃圾收集器——假設那是一個專門負責打掃衛生的機器人——撿起來扔到垃圾箱里，因為垃圾收集器的惟一使命就是找到所有計數值為 0 的餐巾紙並清理它們。

引用計數演算法的優點和缺陷同樣明顯。這一演算法在執行垃圾收集任務時速度較快，但演算法對程序中每一次內存分配和指針操作提出了額外的要求(增加或減少內存塊的引用計數)。更重要的是，引用計數演算法無法正確釋放循環引用的內存塊，對此， D. Hillis 有一段風趣而精闢的論述：

一天，一個學生走到 Moon 面前說：“我知道如何設計一個更好的垃圾收集器了。我們必須記錄指向每個結點的指針數目。” Moon 耐心地給這位學生講了下面這個 故事 ：“一天，一個學生走到 Moon 面前說：‘我知道如何設計一個更好的垃圾收集器了……’”

D. Hillis 的故事和我們小時候常說的“從前有座山，山上有個廟，廟里有個老和尚”的故事有異曲同工之妙。這說明，單是使用引用計數演算法還不足以解決垃圾收集中的所有問題。正因為如此，引用計數演算法也常常被研究者們排除在狹義的垃圾收集演算法之外。當然，作為一種最簡單、最直觀的解決方案，引用計數演算法本身具有其不可替代的優越性。 1980 年代前後， D. P. Friedman ， D. S. Wise ， H. G. Baker 等人對引用計數演算法進行了數次改進，這些改進使得引用計數演算法及其變種(如延遲計數演算法等)在簡單的環境下，或是在一些綜合了多種演算法的現代垃圾收集系統中仍然可以一展身手。

標記-清除( Mark-Sweep )演算法

第一種實用和完善的垃圾收集演算法是 J. McCarthy 等人在 1960 年提出並成功地應用於 Lisp 語言的標記-清除演算法。仍以餐巾紙為例，標記-清除演算法的執行過程是這樣的：

午餐過程中，餐廳里的所有人都根據自己的需要取用餐巾紙。當垃圾收集機器人想收集廢舊餐巾紙的時候，它會讓所有用餐的人先停下來，然後，依次詢問餐廳里的每一個人：“你正在用餐巾紙嗎?你用的是哪一張餐巾紙?”機器人根據每個人的回答將人們正在使用的餐巾紙畫上記號。詢問過程結束後，機器人在餐廳里尋找所有散落在餐桌上且沒有記號的餐巾紙(這些顯然都是用過的廢舊餐巾紙)，把它們統統扔到垃圾箱里。

正如其名稱所暗示的那樣，標記-清除演算法的執行過程分為“標記”和“清除”兩大階段。這種分步執行的思路奠定了現代垃圾收集演算法的思想基礎。與引用計數演算法不同的是，標記-清除演算法不需要運行環境監測每一次內存分配和指針操作，而只要在“標記”階段中跟蹤每一個指針變數的指向——用類似思路實現的垃圾收集器也常被後人統稱為跟蹤收集器( Tracing Collector )

伴隨著 Lisp 語言的成功，標記-清除演算法也在大多數早期的 Lisp 運行環境中大放異彩。盡管最初版本的標記-清除演算法在今天看來還存在效率不高(標記和清除是兩個相當耗時的過程)等諸多缺陷，但在後面的討論中，我們可以看到，幾乎所有現代垃圾收集演算法都是標記-清除思想的延續，僅此一點， J. McCarthy 等人在垃圾收集技術方面的貢獻就絲毫不亞於他們在 Lisp 語言上的成就了。

復制( Copying )演算法

為了解決標記-清除演算法在垃圾收集效率方面的缺陷， M. L. Minsky 於 1963 年發表了著名的論文“一種使用雙存儲區的 Lisp 語言垃圾收集器( A LISP Garbage Collector Algorithm Using Serial Secondary Storage )”。 M. L. Minsky 在該論文中描述的演算法被人們稱為復制演算法，它也被 M. L. Minsky 本人成功地引入到了 Lisp 語言的一個實現版本中。

復制演算法別出心裁地將堆空間一分為二，並使用簡單的復制操作來完成垃圾收集工作，這個思路相當有趣。借用餐巾紙的比喻，我們可以這樣理解 M. L. Minsky 的復制演算法：

餐廳被垃圾收集機器人分成南區和北區兩個大小完全相同的部分。午餐時，所有人都先在南區用餐(因為空間有限，用餐人數自然也將減少一半)，用餐時可以隨意使用餐巾紙。當垃圾收集機器人認為有必要回收廢舊餐巾紙時，它會要求所有用餐者以最快的速度從南區轉移到北區，同時隨身攜帶自己正在使用的餐巾紙。等所有人都轉移到北區之後，垃圾收集機器人只要簡單地把南區中所有散落的餐巾紙扔進垃圾箱就算完成任務了。下一次垃圾收集的工作過程也大致類似，惟一的不同只是人們的轉移方向變成了從北區到南區。如此循環往復，每次垃圾收集都只需簡單地轉移(也就是復制)一次，垃圾收集速度無與倫比——當然，對於用餐者往返奔波於南北兩區之間的辛勞，垃圾收集機器人是決不會流露出絲毫憐憫的。

M. L. Minsky 的發明絕對算得上一種奇思妙想。分區、復制的思路不僅大幅提高了垃圾收集的效率，而且也將原本繁紛復雜的內存分配演算法變得前所未有地簡明和扼要(既然每次內存回收都是對整個半區的回收，內存分配時也就不用考慮內存碎片等復雜情況，只要移動堆頂指針，按順序分配內存就可以了)，這簡直是個奇跡!不過，任何奇跡的出現都有一定的代價，在垃圾收集技術中，復制演算法提高效率的代價是人為地將可用內存縮小了一半。實話實說，這個代價未免也太高了一些。

無論優缺點如何，復制演算法在實踐中都獲得了可以與標記-清除演算法相比擬的成功。除了 M. L. Minsky 本人在 Lisp 語言中的工作以外，從 1960 年代末到 1970 年代初， R. R. Fenichel 和 J. C. Yochelson 等人也相繼在 Lisp 語言的不同實現中對復制演算法進行了改進， S. Arnborg 更是成功地將復制演算法應用到了 Simula 語言中。

至此，垃圾收集技術的三大傳統演算法——引用計數演算法、標記-清除演算法和復制演算法——都已在 1960 年前後相繼問世，三種演算法各有所長，也都存在致命的缺陷。從 1960 年代後期開始，研究者的主要精力逐漸轉向對這三種傳統演算法進行改進或整合，以揚長避短，適應程序設計語言和運行環境對垃圾收集的效率和實時性所提出的更高要求。

走向成熟

從 1970 年代開始，隨著科學研究和應用實踐的不斷深入，人們逐漸意識到，一個理想的垃圾收集器不應在運行時導致應用程序的暫停，不應額外佔用大量的內存空間和 CPU 資源，而三種傳統的垃圾收集演算法都無法滿足這些要求。人們必須提出更新的演算法或思路，以解決實踐中碰到的諸多難題。當時，研究者的努力目標包括：

第一，提高垃圾收集的效率。使用標記-清除演算法的垃圾收集器在工作時要消耗相當多的 CPU 資源。早期的 Lisp 運行環境收集內存垃圾的時間竟佔到了系統總運行時間的 40% !——垃圾收集效率的低下直接造就了 Lisp 語言在執行速度方面的壞名聲;直到今天，許多人還條件反射似地誤以為所有 Lisp 程序都奇慢無比。

第二，減少垃圾收集時的內存佔用。這一問題主要出現在復制演算法中。盡管復制演算法在效率上獲得了質的突破，但犧牲一半內存空間的代價仍然是巨大的。在計算機發展的早期，在內存價格以 KB 計算的日子裡，浪費客戶的一半內存空間簡直就是在變相敲詐或攔路打劫。

第三，尋找實時的垃圾收集演算法。無論執行效率如何，三種傳統的垃圾收集演算法在執行垃圾收集任務時都必須打斷程序的當前工作。這種因垃圾收集而造成的延時是許多程序，特別是執行關鍵任務的程序沒有辦法容忍的。如何對傳統演算法進行改進，以便實現一種在後台悄悄執行，不影響——或至少看上去不影響——當前進程的實時垃圾收集器，這顯然是一件更具挑戰性的工作。

研究者們探尋未知領域的決心和研究工作的進展速度同樣令人驚奇：在 1970 年代到 1980 年代的短短十幾年中，一大批在實用系統中表現優異的新演算法和新思路脫穎而出。正是因為有了這些日趨成熟的垃圾收集演算法，今天的我們才能在 Java 或 .NET 提供的運行環境中隨心所欲地分配內存塊，而不必擔心空間釋放時的風險。

標記-整理( Mark-Compact )演算法

標記-整理演算法是標記-清除演算法和復制演算法的有機結合。把標記-清除演算法在內存佔用上的優點和復制演算法在執行效率上的特長綜合起來，這是所有人都希望看到的結果。不過，兩種垃圾收集演算法的整合並不像 1 加 1 等於 2 那樣簡單，我們必須引入一些全新的思路。 1970 年前後， G. L. Steele ， C. J. Cheney 和 D. S. Wise 等研究者陸續找到了正確的方向，標記-整理演算法的輪廓也逐漸清晰了起來：

在我們熟悉的餐廳里，這一次，垃圾收集機器人不再把餐廳分成兩個南北區域了。需要執行垃圾收集任務時，機器人先執行標記-清除演算法的第一個步驟，為所有使用中的餐巾紙畫好標記，然後，機器人命令所有就餐者帶上有標記的餐巾紙向餐廳的南面集中，同時把沒有標記的廢舊餐巾紙扔向餐廳北面。這樣一來，機器人只消站在餐廳北面，懷抱垃圾箱，迎接撲面而來的廢舊餐巾紙就行了。

實驗表明，標記-整理演算法的總體執行效率高於標記-清除演算法，又不像復制演算法那樣需要犧牲一半的存儲空間，這顯然是一種非常理想的結果。在許多現代的垃圾收集器中，人們都使用了標記-整理演算法或其改進版本。

增量收集( Incremental Collecting )演算法

對實時垃圾收集演算法的研究直接導致了增量收集演算法的誕生。

最初，人們關於實時垃圾收集的想法是這樣的：為了進行實時的垃圾收集，可以設計一個多進程的運行環境，比如用一個進程執行垃圾收集工作，另一個進程執行程序代碼。這樣一來，垃圾收集工作看上去就彷彿是在後台悄悄完成的，不會打斷程序代碼的運行。

在收集餐巾紙的例子中，這一思路可以被理解為：垃圾收集機器人在人們用餐的同時尋找廢棄的餐巾紙並將它們扔到垃圾箱里。這個看似簡單的思路會在設計和實現時碰上進程間沖突的難題。比如說，如果垃圾收集進程包括標記和清除兩個工作階段，那麼，垃圾收集器在第一階段中辛辛苦苦標記出的結果很可能被另一個進程中的內存操作代碼修改得面目全非，以至於第二階段的工作沒有辦法開展。

M. L. Minsky 和 D. E. Knuth 對實時垃圾收集過程中的技術難點進行了早期的研究， G. L. Steele 於 1975 年發表了題為“多進程整理的垃圾收集( Multiprocessing compactifying garbage collection )”的論文，描述了一種被後人稱為“ Minsky-Knuth-Steele 演算法”的實時垃圾收集演算法。 E. W. Dijkstra ， L. Lamport ， R. R. Fenichel 和 J. C. Yochelson 等人也相繼在此領域做出了各自的貢獻。 1978 年， H. G. Baker 發表了“串列計算機上的實時表處理技術( List Processing in Real Time on a Serial Computer )”一文，系統闡述了多進程環境下用於垃圾收集的增量收集演算法。

增量收集演算法的基礎仍是傳統的標記-清除和復制演算法。增量收集演算法通過對進程間沖突的妥善處理，允許垃圾收集進程以分階段的方式完成標記、清理或復制工作。詳細分析各種增量收集演算法的內部機理是一件相當繁瑣的事情，在這里，讀者們需要了解的僅僅是： H. G. Baker 等人的努力已經將實時垃圾收集的夢想變成了現實，我們再也不用為垃圾收集打斷程序的運行而煩惱了。

分代收集( Generational Collecting )演算法

和大多數軟體開發技術一樣，統計學原理總能在技術發展的過程中起到強力催化劑的作用。 1980 年前後，善於在研究中使用統計分析知識的技術人員發現，大多數內存塊的生存周期都比較短，垃圾收集器應當把更多的精力放在檢查和清理新分配的內存塊上。這個發現對於垃圾收集技術的價值可以用餐巾紙的例子概括如下：

如果垃圾收集機器人足夠聰明，事先摸清了餐廳里每個人在用餐時使用餐巾紙的習慣——比如有些人喜歡在用餐前後各用掉一張餐巾紙，有的人喜歡自始至終攥著一張餐巾紙不放，有的人則每打一個噴嚏就用去一張餐巾紙——機器人就可以制定出更完善的餐巾紙回收計劃，並總是在人們剛扔掉餐巾紙沒多久就把垃圾撿走。這種基於統計學原理的做法當然可以讓餐廳的整潔度成倍提高。

D. E. Knuth ， T. Knight ， G. Sussman 和 R. Stallman 等人對內存垃圾的分類處理做了最早的研究。 1983 年， H. Lieberman 和 C. Hewitt 發表了題為“基於對象壽命的一種實時垃圾收集器( A real-time garbage collector based on the lifetimes of objects )”的論文。這篇著名的論文標志著分代收集演算法的正式誕生。此後，在 H. G. Baker ， R. L. Hudson ， J. E. B. Moss 等人的共同努力下，分代收集演算法逐漸成為了垃圾收集領域里的主流技術。

分代收集演算法通常將堆中的內存塊按壽命分為兩類，年老的和年輕的。垃圾收集器使用不同的收集演算法或收集策略，分別處理這兩類內存塊，並特別地把主要工作時間花在處理年輕的內存塊上。分代收集演算法使垃圾收集器在有限的資源條件下，可以更為有效地工作——這種效率上的提高在今天的 Java 虛擬機中得到了最好的證明。

應用浪潮

Lisp 是垃圾收集技術的第一個受益者，但顯然不是最後一個。在 Lisp 語言之後，許許多多傳統的、現代的、後現代的語言已經把垃圾收集技術拉入了自己的懷抱。隨便舉幾個例子吧：誕生於 1964 年的 Simula 語言， 1969 年的 Smalltalk 語言， 1970 年的 Prolog 語言， 1973 年的 ML 語言， 1975 年的 Scheme 語言， 1983 年的 Mola-3 語言， 1986 年的 Eiffel 語言， 1987 年的 Haskell 語言……它們都先後使用了自動垃圾收集技術。當然，每一種語言使用的垃圾收集演算法可能不盡相同，大多數語言和運行環境甚至同時使用了多種垃圾收集演算法。但無論怎樣，這些實例都說明，垃圾收集技術從誕生的那一天起就不是一種曲高和寡的“學院派”技術。

對於我們熟悉的 C 和 C++ 語言，垃圾收集技術一樣可以發揮巨大的功效。正如我們在學校中就已經知道的那樣， C 和 C++ 語言本身並沒有提供垃圾收集機制，但這並不妨礙我們在程序中使用具有垃圾收集功能的函數庫或類庫。例如，早在 1988 年， H. J. Boehm 和 A. J. Demers 就成功地實現了一種使用保守垃圾收集演算法( Conservative GC Algorithmic )的函數庫。我們可以在 C 語言或 C++ 語言中使用該函數庫完成自動垃圾收集功能，必要時，甚至還可以讓傳統的 C/C++ 代碼與使用自動垃圾收集功能的 C/C++ 代碼在一個程序里協同工作。

1995 年誕生的 Java 語言在一夜之間將垃圾收集技術變成了軟體開發領域里最為流行的技術之一。從某種角度說，我們很難分清究竟是 Java 從垃圾收集中受益，還是垃圾收集技術本身借 Java 的普及而揚名。值得注意的是，不同版本的 Java 虛擬機使用的垃圾收集機制並不完全相同， Java 虛擬機其實也經過了一個從簡單到復雜的發展過程。在 Java 虛擬機的 1.4.1 版中，人們可以體驗到的垃圾收集演算法就包括分代收集、復制收集、增量收集、標記-整理、並行復制( Parallel Copying )、並行清除( Parallel Scavenging )、並發( Concurrent )收集等許多種， Java 程序運行速度的不斷提升在很大程度上應該歸功於垃圾收集技術的發展與完善。

盡管歷史上已經有許多包含垃圾收集技術的應用平台和 操作系統 出現，但 Microsoft .NET 卻是第一種真正實用化的、包含了垃圾收集機制的通用語言運行環境。事實上， .NET 平台上的所有語言，包括 C# 、 Visual Basic .NET 、 Visual C++ .NET 、 J# 等等，都可以通過幾乎完全相同的方式使用 .NET 平台提供的垃圾收集機制。我們似乎可以斷言， .NET 是垃圾收集技術在應用領域里的一次重大變革，它使垃圾收集技術從一種單純的技術變成了應用環境乃至操作系統中的一種內在 文化 。這種變革對未來軟體開發技術的影響力也許要遠遠超過 .NET 平台本身的商業價值。

大勢所趨

今天，致力於垃圾收集技術研究的人們仍在不懈努力，他們的研究方向包括分布式系統的垃圾收集、復雜事務環境下的垃圾收集、資料庫等特定系統的垃圾收集等等。

但在程序員中間，仍有不少人對垃圾收集技術不屑一顧，他們寧願相信自己逐行編寫的 free 或 delete 命令，也不願把垃圾收集的重任交給那些在他們看來既蠢又笨的垃圾收集器。

我個人認為，垃圾收集技術的普及是大勢所趨，這就像生活會越來越好一樣毋庸置疑。今天的程序員也許會因為垃圾收集器要佔用一定的 CPU 資源而對其望而卻步，但二十多年前的程序員還曾因為高級語言速度太慢而堅持用機器語言寫程序呢!在硬體速度日新月異的今天，我們是要吝惜那一點兒時間損耗而踟躇不前，還是該堅定不移地站在代碼和運行環境的凈化劑——垃圾收集的一邊呢?

❼ 【我醒了！！！！！！！！！！！！】1

佛洛依德沒有深入過佛教唯識學；而佛教修行者也沒有深入過「精神分析學」。常有學者將此二者聯系起來，末學對此，淺談如下：
「精神分析學」認為：心理結構是由無意識、前意識和意識三個層次構成的。
而佛教唯識學講「八識心王」：心由眼識、耳識、鼻識、舌識、身識、意識、末那識、阿賴耶識等八識組成；其中，前七識叫做「七轉識」，「七轉識」都是由第八識（阿賴耶識）出生，因此說「萬法唯識」；「七轉識」不是恆常不滅，因為「有生必有滅」。第八識則是「遍一切時」，如《心經》所說：「不生不滅」
第八識就是禪宗所悟的「自性」、「真心」；也是釋迦牟尼佛在菩提樹下所悟的「如來智慧德相」；人人具足，因此而成佛。
其次，八識心是凡夫位，在開悟明心之後，實修六度萬行的過程中，八識會轉為「四智」，這就是「轉識成智」：
前五識：眼耳鼻舌身識在成佛時轉為「成所作智」；第六識：意識，在修行中轉為「妙觀察智」；第七識：末那識（意根）在修行中轉為「平等性智」；第八識在成佛時轉為「大圓鏡智」；這就是《成唯識論》中所說：「六七因上轉，五八果上圓」。
有人將「精神分析學」的無意識、前意識、意識對應於唯識學的第八識、第七識、第六識；看上去有點道理。可是，「精神分析學」的研究是靠「夢的解析」；而「夢」在佛教中是「昏沉」，夢中還是「意識心」在運作；而佛教卻是從「發菩提心」開始，歷經52階位，三大無量數劫的「相似修行」、「實際修行」而最終成佛。是信、解、行、證。
簡言之，意識心能分別了知；末那識「處處做主」；阿賴耶識不生不滅，離見聞覺知，不觸六塵（色聲香味觸法），唯證乃知。
「精神分析學」是「有為法」的研究，是「世間智」；唯識學卻是諸大菩薩證悟之後的「自心流露」，是」出世間智」。
唯識學真義，甚深極甚深，悟後菩薩能知少分，凡夫只能通過熏習，建立知見，種下善根，而不能「實知」。唯識類經典，是地上菩薩成佛的方法；因此名為「第一義諦」；也就是「如來真實義」。樓主切莫輕視，自以為「悟」。

無上甚深微妙法，百千萬劫難遭遇；
我今見聞得受持，願解如來真實義。

南無本師釋迦牟尼佛

❽ 科密人臉識別考勤機IF350質量如何有用過得給點一家,想買幾台

市面上做人臉識別考勤機的品牌很多，可以貨比三家多比較，正確地選購人臉識別考勤機要注意以下兩點：

一、雙目活體識別

相比單目攝像頭而言，雙目攝像頭利用雙目演算法計算高精度的人臉數據，對眼耳鼻等一些關鍵特徵點進行精確識別定位並計算出各種特徵信息，這樣就能有效防止平面照片、不同彎曲程度的照片、PS、視頻等仿冒欺詐，精準檢測是否為「活人」、「真人」，確保活體檢測的准確率。解決冒名頂替，人證不符，使持假證企圖矇混過關者無處遁形。

二、能夠穩定自動的處理考勤數據

一個好用的員工考勤軟體需要能夠穩定的運行，各方面的數據能夠及時穩定的進行處理和存儲，在一些數據並發等環境下能夠保持穩定，盡量少的出現錯誤狀況，這樣的員工考勤軟體才能夠在企業日常的使用過程中提供穩定的考勤管理服務。同時員工考勤軟體能夠自動化處理考勤數據，計算各員工的出勤情況，無需人工去統計和處理。

捷易人臉識別考勤，採用高動態雙目多光譜200萬人臉識別攝像頭，廣角度面部識別，遠距離快速認證，安全便捷。管理人員可以通過後台管理系統進行批量錄入員工照片信息、自定義考勤規則、考勤數據管理、出入記錄查詢、訪客數據管理、會議簽到管理等。

❾ 怎樣判斷孩子是否打鼾

杭州未來科技城醫院與杭州市第一醫院共建「耳鼻咽喉科醫學中心」，重點關注鼾症治療。醫院有無感呼吸睡眠檢測儀器，這款醫療級設備可以讓你輕松睡一覺就獲取專業的睡眠監測報告，比起傳統的監測設備更便捷更舒適，只需將睡眠監測儀放置在床頭位置，佩戴指環即可監測，不影響用戶正常睡眠，還原真實睡眠狀態。監測時，特殊的感測器會持續、同步記錄患者在睡眠狀態下的心率、血氧飽和度、呼吸活動、體位變化、脈率、胸腹呼吸運動等各種數據。這些數據會自動存儲起來，監測結束後，通過智能AI模型演算法對數據進行分析，判斷是否患有睡眠呼吸暫停低通氣綜合征（OSAHS）。。希望我的回答能幫助到你，非常感謝！

❿ 人臉識別門禁哪個比較好用

做人臉識別的品牌很多，選擇時要根據使用情況選擇，另外選擇時要注意以下幾點：

一、看既往案例

這家公司最近幾年安裝的案例，案例多並且質量度高，有沒有大公司的案例，最好可以實地考察現場，看看使用效果及售後服務如何。

二、看公司

最好可以實地考察公司，看看公司情況，有的打這廠家名字實際是有沒有公司的，這樣將來的售後是沒有保障的。

三、看公司人員配置

看公司人員配置，售前售中人員，尤其看技術及售後服務人員，這樣才能保障以後產品在使用中出現問題嗎，及時處理。

四、看產品軟體及硬體

以上都沒問題，這是就需要看這廠家產品的質量及軟體、產品功能、圖片是自己選擇的嗎，如果沒問題，那這個公司你就可以放心選擇了。

人臉識別門禁推薦捷易物聯，捷易物聯壁掛款人臉識別門禁考勤一體機，0.3S快速人臉識別，管理人員可以通過後台管理系統進行批量錄入員工照片信息、自定義考勤規則、考勤數據管理、出入記錄查詢、訪客數據管理、會議簽到管理等。