SSA演算法層

1. ssa格式怎麼讀取

最近很多論壇上都出現了MKV這個格式，廣大動漫愛好者可能對這個格式不是很熟悉，我在這里稍微的解釋一下。

如果對OGM這個格式不是很熟悉的話，自然也就不會怎麼知道MKV了。
首先澄清一個誤區，MKV不是一種壓縮格式，DivX、XviD才是視頻壓縮格式，MP3、OGG才是音頻壓縮格式。

MKV是個「組合」和「封裝」的格式，換句話說就是一種容器格式。
舉個例子的話就比較容易理解了，把只有視頻的XviD和只有音頻的MP3組合起來，然後以一種多媒體介質的形式出現，最常見的就是AVI，其次就是OGM，還有MP4等不太常見的。

AVI的出現已經超過了10年，漸漸體現出老態了，除了近年通過VD可以擁有2個音軌，沒有其他的改進。

OGM的出現，標志著多音軌格式的出現，可以合成8個以上的音軌，音頻上自然也多了OGG這
個格式，重要的是可以「內掛」字幕，老外稱為「軟字幕」，可以任意開關，可以「內掛」8個以上的字幕，美中不足的是僅僅支持srt格式，並且不支持Unicode，對亞洲字元支持嚴重不足。還有一個就是Charpter功能，可以自定義段落，播放時就可以選擇了。是不是越來越像DVD啦？

但是當時的OGM源碼是不公開的，就那麼幾個人在開發，自然進度慢了，前一陣幾乎陷入了「死亡」。最近宣布公開源碼，加入OpenSource行列，重新開始開發。

MKV就是在OGM停滯的那段時間出現的，由俄羅斯的程序員開發的，從一開始就是OpenSource，因此得到了很多其他程序員的幫助，開發速度相當快。
OGM有的MKV都有，另外還有很多獨特的功能。其中最令人振奮的就是Gabest開發的Plugin，不僅開發了專門的播放器MediaPlayerClassic，這個東西的強大相信用過的人都有體會。還開發了很多的MKV用的Mux（合成器），尤其是Real格式的Mux。Real的RMVB是封閉格式，官方的Helix根本就不支持多聲道，所以盡管演算法很優秀，但在聲效大片的再現上就無能為力了，只能乖乖讓位給可以合成AC3和DTS的AVI以及OGM了。
但Gabest開發的RealmediaSplitter和MKVMux可以讓RMVB格式的視頻和AC3、DTS合成MKV，從根本上克服了RMVB音頻上的弱點。
不僅如此，還開發了VSFilter.dll和SubtitleSource.ax這2個Plugin，宣布支持ssa和ass的格式軟字幕。

可能大家看了有點暈，我也說的太多了，總結就是下面幾條：
1、支持多種格式的視頻和音頻，尤其是Real
2、支持多音軌，多達16條以上
3、支持ssa，ass軟字幕，多達16條以上
4、支持段落選取（由製作人決定）

此帖轉自動漫花園，原作csr2000

二、mkv文件播放方法
1.播放需要的插件：
MKV_98（98用戶下載這個）

MKV_NT（2K，XP，2K3用戶下載這個）

把rar包解壓到一個固定的文件夾里，然後運行register_(98,NT).bat，這樣播放需要的
插件就安裝好了。包中另外一個是mplayerc.exe，是推薦使用的播放軟體，只有使用這
個，才能體驗MKV的全部功能。
如果使用這個播放器的話，MatroskaSplitter.ax都不必裝，mplayerc天生就支持MKV格
式。如果能夠播放MKV，但沒有字幕，就是沒有裝裡面的VSFilter.dll。
裝了VSFilter.dll，播放時會自動載入vobsub，相當於外掛字幕。

2.如果上述方法無效，請下載這個

2個隨便裝那個，會自動分析系統安裝正確的版本的

2. 抗SSA/SSB抗體是什麼

抗SSB抗體（anti-SSB antibody；anti-Sjgren syndrome B antibody），幾乎僅見於某些女性自身免疫病患者，如原發性乾燥綜合征、系統性紅斑狼瘡等，其靶抗原La蛋白含RNA識別位置(RRM)、ATP結合位點及核定位信號，與細胞內多種小RNA相關。

抗ssa抗體屬於抗核抗體（ANAs）的一種，ANA陽性提示結締組織病的可能。

(2)SSA演算法層擴展閱讀

抗SSA抗體檢測原理

細胞內的兩種蛋白與核糖核酸結合成復合物，稱為hY1、hY3、hY4和hY5核糖核蛋白，血清中存在對抗這些蛋白的抗體則為抗SSA，是抗可提取性核抗原中的一個成分。檢測方法有免疫雙擴散法、免疫印跡法或酶聯免疫吸附法（ELISA法）。

抗SSB抗體檢測原理

直接對抗RNA～多聚酶Ⅲ附屬蛋白的抗體稱抗SSB，是抗可提取性核抗原（ENA）的一個成分。檢測方法：免疫沉澱法，抗原為胸腺提取物；免疫印跡法，測定在相對分子質量為48000的段；ELISA法：抗原為親和層析法提取的抗原或基因工程產的抗原。

3. PMP絕對路徑的演算法

PMP沒有絕對的路徑計演算法。只是關鍵路徑。。或者你將問題再補充全些

4. 以下幾個演算法請高手幫忙解釋下，小弟不勝感激，

最少的意味著第四((LMF);簽署回歸量演算法(SRA);簽署演算法(SA);記號-記號演算法(SSA);

5. 編譯器中都有哪些演算法

詞法/語法分析、程序分析與程序變換、代碼生成、內存管理、虛擬機、函數式語言的實現與優化。。。每個話題都能出不止一本書。

用到的演算法/數據結構多如牛毛：

各種樹、圖為主，其他如棧、隊列、散列表、並查集。。。

貪心、回溯、動態規劃、遺傳演算法、矩陣變換。。

在一個問題下很難回答好。。 先簡單介紹一下和圖相關的。

1. 和什麼圖打交道
CFG(Control Flow Graph)
控制流圖是對程序中分支跳轉關系的抽象，描述程序所有可能執行路徑

節點是語句集合（basic block)；

每個basic block有唯一入口和出口；

如果A到B有邊，表示A執行完後可能執行B

PDG(Program Dependence Graph)
PDG在編譯器中用得不多，常見於軟體工程/安全相關的應用（程序切片、安全信息流等）

SSA(Single Static Assignment)
SSA簡化了很多數據流分析問題。

其他圖
DJ Graph, Loop Nesting Forest, Program Structure Tree等等。

可參考：IR for Program Analysis。下面主要介紹CFG

2. CFG初步處理
CFG構造

dominator樹生成
在CFG中，如果A是B的dominator，則從程序入口執行到B的任意路徑一定經過A

控制依賴分析
根據dominator和post-dominator分析依賴關系。數據依賴、控制依賴信息在自動並行化中尤其重要（如果循環的每次迭代都沒有依賴，那麼可以並行處理）

控制流圖化簡
在復雜度相同的情況下，CFG的規模影響演算法的效果。如果一個CFG僅通過如下變換能化簡為一個節點，則它是可化簡的：

如果節點n有唯一的前驅，那麼將其和其前驅合並為一個節點

如果節點存在到自身的邊，那麼將該邊刪除
構造SSA
SSA可以由CFG構造。

3. CFG與數據流分析
下面才進入主題。。
一般的文獻介紹DFA（Data flow analysis），都會用幾個基礎的分析為例：Constant Propagation，Range propagation，Avaliable expressions，Reaching Definition。而Reaching Definition的一個應用，就是大家喜聞樂見的「跳轉到定義處」（真要做到「智能」跳轉並不簡單）

這部分涉及東西較多，一些演算法也和」圖「並不直接相關，不再展開。

PS，很多DFA問題可以用graph reachability統一建模，強烈推薦此文：
Program analysis via graph reachability

6. 對數據科學家來說最重要的演算法和統計模型

對數據科學家來說最重要的演算法和統計模型
作為一個在這個行業已經好幾年的數據科學家，在LinkedIn和QuoLa上，我經常接觸一些學生或者想轉行的人，幫助他們進行機器學習的職業建議或指導方面相關的課程選擇。一些問題圍繞教育途徑和程序的選擇，但許多問題的焦點是今天在數據科學領域什麼樣的演算法或模型是常見的。
由於可供選擇的演算法太多了，很難知道從哪裡開始學起。課程可能包括在當今工業中使用的不是很典型的演算法，而課程可能沒有包含目前不是很流行的但特別有用的方法。基於軟體的程序可以排除重要的統計概念，並且基於數學的程序可以跳過演算法設計中的一些關鍵主題。

我為一些有追求的數據專家整理了一個簡短的指南，特別是關注統計模型和機器學習模型(有監督學習和無監督學習);這些主題包括教科書、畢業生水平的統計學課程、數據科學訓練營和其它培訓資源。(其中有些包含在文章的參考部分)。由於機器學習是統計學的一個分支，機器學習演算法在技術上歸類於統計學知識，還有數據挖掘和更多的基於計算機科學的方法。然而，由於一些演算法與計算機科學課程的內容相重疊，並且因為許多人把傳統的統計方法從新方法中分離出來，所以我將把列表中的兩個分支也分開了。

統計學的方法包括在bootcamps和證書程序中概述的一些更常見的方法，還有一些通常在研究生統計學程序中所教授的不太常見的方法(但在實踐中可以有很大的優勢)。所有建議的工具都是我經常使用的工具:
1)廣義線性模型，它構成了大多數監督機器學習方法的基礎(包括邏輯回歸和Tweedie回歸，它概括了在工業中遇到的大多數計數或連續結果……)
2) 時間序列方法(ARIMA, SSA, 基於機器學習的方法)
3) 結構方程建模 (模擬和測試介導途徑)
4) 因子分析法(調查設計與驗證的探索和驗證)
5) 功率分析/試驗設計 (特別是基於模擬的試驗設計，以免分析過度)
6) 非參數檢驗(從零開始的推導, 尤其通過模擬)/MCMC
7) K均值聚類
8) 貝葉斯方法(Na?ve Bayes, 貝葉斯模型求平均值, 貝葉斯自適應試驗...)
9) 懲罰回歸模型 (elastic net, LASSO, LARS...) ，通常給模型增加懲罰因素(SVM, XGBoost...), 這對於預測值超過觀測值的數據集是有用的(常見於基因組學與社會科學研究)
10) 樣條模型(MARS...) 用於靈活性建模過程
11)馬爾可夫鏈和隨機過程 (時間序列建模與預測建模的另一種方法)
12)缺失數據填補方案及其假設(missForest, MICE...)
13) 生存分析(非常有助於製造建模和消耗過程)
14) 混合建模
15) 統計推斷與分組測試(A/B測試和在許多交易活動中實施更復雜的設計)
機器學習擴展了許多這樣框架，特別是K均值聚類和廣義線性建模。在許多行業中一些有用的常見技術(還有一些更模糊的演算法，在bootcamps或證書程序中出人意料的有用，但學校里很少教) 包括:
1)回歸/分類樹(用於高精度、可解釋性好、計算費用低的廣義線性模型的早期推廣)
2)維數約簡(PCA和多樣學習方法如MDS和tSNE)
3)經典前饋神經網路
4)裝袋組合(構成了隨機森林和KNN回歸整合等演算法的基礎)
7)加速整合(這是梯度提升和XGBoost演算法的基礎)
8)參數優化或設計項目的優化演算法(遺傳演算法，量子啟發進化演算法，模擬鍛煉，粒子群優化)
9)拓撲數據分析工具，特別適合於小樣本大小的無監督學習(持久同調, Morse-Smale聚類, Mapper...)
10)深度學習架構(一般的深度架構)
11) KNN局部建模方法(回歸, 分類)
12)基於梯度的優化方法
13)網路度量與演算法(中央度量法、中間性、多樣性、熵、拉普拉斯運算元、流行病擴散、譜聚類)
14)深度體系架構中的卷積和匯聚層(專門適用於計算機視覺和圖像分類模型)
15)層次聚類 (聚類和拓撲數據分析工具相關)
16)貝葉斯網路(路徑挖掘)
17)復雜性與動態系統(與微分方程有關，但通常用於模擬沒有已知驅動程序的系統)
依靠所選擇的行業，可能需要與自然語言處理(NLP)或計算機視覺相關的附加演算法。然而，這些是數據科學和機器學習的專門領域，進入這些領域的人通常已經是那個特定領域的專家。

7. 字幕製作：關於「字體顏色過渡」的問題！

你要用ass寫的話，只能用\clip來寫，一句話寫上10來行，每一行顏色不同（注意顏色過渡），再用clip一層一層截取效果，漸變就出來了。想必我說的你應該明白，確實無比的麻煩，以前有人寫過個腳本，但是ms不太好用，要是可以的話自己拿vb寫個腳本也行，祝你成功

8. 實驗設計方差分中的Seq SS和Adj SS的區別

1.背景

1.1 田口正交法

田口品質設計法，是利用田口玄一博士[1]所設計的正交表，設計少量的參數組合，進行實驗，並使用S/N比表示產品品質的好壞，以求的最佳組合，而達到高良率，低成本的重要方法。

正交表[1]為一組矩陣式數字，每一行代表一個特定實驗中因素的狀態，每一列代表一個特定的因素或條件組合。主要以較少的實驗次數來獲得有用的統計資料，正交表以La(bc)命名，代表共有a組實驗，最多容納b個水平的因子c個，以L18(21×37)為例，由1個2水平的因子和7個3水平的因子所組成，需實驗18次，因此，正交表的目的在於：（1）了解控制因子（Control Factor）及干擾因子（Noise）對產品品質的影響；（2）由計算S/N比及進行變異分析（Analysis of Variance），以找出影響較大的因子，並求出最佳的參數組合。

1.2 信號噪音比（Signal to Noise Ratio）

信號噪音比（S/N）[1]是田口品質工程上重要的評估指標，可用來表示製程或產品的水平受誤差因素影響的程度。有田口博士將平均品質損失經由對數轉換、乘以10、並取負號，稱為S/N比，由於品質特性的目標不同，故計算S/N比由品質特性可分為三種特性：

（1）望小特性

S/N比越大，表示平均值越靠近0，且變異越小。即提高S/N比即可使變異變小，且平均值越靠近目標值0。

（2）望大特性

（3）望目特性

1.3 變異分析（ANOVA）

變異分析（Analysis of Variance）主要是評估實驗誤差，找出影響較大的控制因子，並利用統計分析，可輔助圖表的不足。

2. 工程實例

2.1 實例背景

例如，我們在分析封裝的熱應力時，由於封裝結構尺寸較多、材料通常比較復雜，難以每個結構以及材料都進行單因素分析，另一方面，單因素分析難以考慮到結構間、結構-材料、材料間的交互影響，因此，我們推薦利用田口正交分析，利用一定量、可控的實驗分析，對結構、材料復雜，每種因素包含水平較多的實驗，進行分析。

本例結構因素以及水平如下：

因子 單位 水平1 水平2 水平3
A 晶元尺寸 mm 2.0 3.0 4.0
B 晶元厚度 mm 0.1 0.2 0.3
C 銅柱直徑 mm 0.08 0.10 0.12
D 銅柱高度 mm 0.03 0.05 0.07
E 焊料高度 mm 0.01 0.03 0.05
F PI開口大小 mm 0.03 0.05 0.07
2.2 確定實驗量

如上節，如果我們將每個因素的每個水平都進行分析，我們則需要進行3e6=639組實驗，這是我們所不能接受的。

正交表的形式和計算方法在此不做詳細討論，實際使用中，我們可以通過軟體直接選擇生成正交表。

如下表為minitab軟體，可以在軟體中選擇因素和水平後，直接生成正交表。

2.3 提取ANSYS中的模擬結果

可以在ANSYS中計算得到我們關注結構的應力或位移等數值，如本例中的Bump中線路層中的第一主應力值，並記錄在下表中，並由第一章節中的公式計算得到信噪比（dB）。