滑窗演算法排序
用ActionChains這個模塊裡面的drag_and_drop 元素或者drag_and_drop_by_offset坐標
㈡ 什麼是滑窗迭代演算法
迭代法也稱輾轉法，是一種不斷用變數的舊值遞推新值的過程,跟迭代法相對應的是直接法（或者稱為一次解法），即一次性解決問題。迭代法又分為精確迭代和近似迭代。「二分法」和「牛頓迭代法」屬於近似迭代法。
㈢ 讀《不等長時間序列滑窗STS距離聚類演算法》論文
傳統時間序列聚類的缺點：
1）時間序列聚類的研究一般採用等長劃分，會丟失重要特徵點，對聚類結果有負面影響。
2）採用時間序列測量值不能准確度量相似度。
如下埃博拉出血熱、衛生部在數值上很相似，但教育部和衛生部在形狀更相似。若是以形狀作為度量傳統的歐氏距離可能就不太合適了。
不等長時間序列滑窗STS聚類演算法：
1）通過標准分數z_score預處理，消除時間序列觀測值數量級差異的影響。
2）更改了相似度計算的方式，採用基於滑窗的方法計算不等長序列的距離。
3）採用類k-means的聚類演算法的中心曲線計算方法。
時間序列數據因其趨勢信息的直觀展現形式，廣泛應用於社交網路、互聯網搜索和新聞媒體數據分析中。例如：Google應用搜索流感的相關信息的時間序列預測流感爆發趨勢。根據某話題熱度時間序列數據趨勢的規律性，通過聚類區分不同類型的時間序列數據。同一類簇的Twitter話題具有相同或相似的發展趨勢，進而應用於話題的發展趨勢的預測。
時間序列聚類演算法可以分為兩類。
1）基於原始數據的時間序列聚類演算法。
2）基於特徵的時間序列聚類演算法。
基於特徵的時間序列聚類演算法指根據原始數據從時間序列中提取形態特徵（極值點位置、分段斜率）、結構特徵（平均值、方差等統計值特徵）、模型特徵（模型的預測值），從而根據這些特徵值進行聚類。這類方法的優點解決了不等長時間序列聚類問題，缺點是減弱了原始數據值得影響，聚類的形狀趨勢信息往往比較粗糙。
3. HOW
一、距離度量公式
STS距離計算的是累加時間序列間每個時間間隔斜率差的平方，公式
如上圖所示，g1、g2和g2、g3的歐式距離的數值更相近。g1、g2的STS距離大於g2、g3的數值。在形狀距離上，STS距離計算方式表現更好，一定程度上可以解決歐式距離度量時間序列局部特徵信息確實和受觀測數值數量級差異影響大的問題，但是依舊無法度量不等長時間序列的距離。
基於滑窗的STS距離公式。
如上圖所示，當計算不同長度的時間序列的s和r的距離時，先不斷平移時間序列s，然後找到s和r距離最近的欄位，就如同上圖虛線之間的位置，此時s和r距離最近，這個最近距離作為s和r之間的距離。
二、預處理過程
z-score標准分數用數據觀測值和觀測值平均值的距離代替原觀測值。z-score處理後的數據平均值為0，標准差為1。標准差的作用是統一量綱，去除數值的數量級差異影響。
總結
本論文提出了形狀距離的不等長時間序列的聚類方法。我們可以學到的有
1）z-score統一量綱，消除數值數量級差異，聚類效果更好。
2）計算x和y時間序列的STS距離，可以平移其中一個時間序列，求最小值作為STS距離值，這就消除了同一時間序列不同起始點的影響。
㈣ 滑動窗口的最大最小如何確定的
只有接收方的接收窗口中按序接收到了對應的幀後，接收方才將排好序的幀交給上層，窗口才可以滑動。
假設窗口大小為x，可能一次上交1-x幀數據給上層，這樣窗口就可以滑動1-x個位置，窗口中又空出1-x個位置以接收新的幀。窗口的大小大於2的n -1次方時，如果有幀出錯，發送方重傳時，會產生二義性。
㈤ 演算法總結之滑動窗口
滑動窗口類問題是面試當中的高頻題，問題本身其實並不復雜，但是實現起來細節思考非常的多，想著想著可能因為變數變化，指針移動等等問題，導致程序反復刪來改去，有思路，但是程序寫不出是這類問題最大的障礙。
本文會將 LeetCode 裡面的大部分滑動窗口問題分析、總結、分類，並提供一個可以參考的模版
滑動窗口這類問題一般需要用到 雙指針 來進行求解，另外一類比較特殊則是需要用到特定的數據結構，如 Map，隊列等。
題目問法大致有這幾種
1 . 給兩個字元串，一長一短，問其中短的是否在長的中滿足一定的條件存在
2 . 給一個字元串或者數組，問這個字元串的子串或者子數組是否滿足一定的條件
除此之外，還有一些其他的問法，但是不變的是，這類題目脫離不開主串（主數組）和子串（子數組）的關系，要求的時間復雜度往往是 O ( N ) O(N) O(N) ，空間復雜度往往是 O ( 1 ) O(1) O(1) 的。
根據前面的描述，滑動窗口就是這類題目的重點，換句話說， 窗口的移動 就是重點！我們要控制前後指針的移動來控制窗口，這樣的移動是有條件的，也就是要想清楚在什麼情況下移動，在什麼情況下保持不變。
思路是保證右指針每次往前移動一格，每次移動都會有新的一個元素進入窗口，這時條件可能就會發生改變，然後根據當前條件來決定左指針是否移動，以及移動多少格。
無重復字元的最長子串
給定一個字元串，請你找出其中不含有重復字元的最長子串的長度。
示例
解題思路
輸入只有一個字元串，要求子串裡面不能夠有重復的元素，這里 count 都不需要定義，直接判斷哈希散列裡面的元素是不是在窗口內即可，是的話得移動左指針去重。
建立一個 128 位大小的整型數組，用來建立字元和其出現位置之間的映射。維護一個滑動窗口，窗口內的都是沒有重復的字元，去盡可能的擴大窗口的大小，窗口不停的向右滑動。
替換後的最長重復字元
給你一個僅由大寫英文字母組成的字元串，你可以將任意位置上的字元替換成另外的字元，總共可最多替換 k 次。在執行上述操作後，找到包含重復字母的最長子串的長度。
示例
解題思路
最簡單的方法就是把哈希散列遍歷一邊找到最大的字元數量，但是仔細想想如果我們每次新進元素都更新這個最大數量，且只更新一次，我們保存的是當前遍歷過的全局的最大值，它肯定是比實際的最大值大的，我們左指針移動的條件是 right - left + 1 - count > k，保存的結果是 result = Math.max(result, right - left + 1)； 這里 count 比實際偏大的話，雖然導致左指針不能移動，但是不會記錄當前的結果，所以最後的答案並不會受影響。
長度為 K 的無重復字元子串
給你一個字元串 S，找出所有長度為 K 且不含重復字元的子串，請你返回全部滿足要求的子串的數目。
示例
解題思路
根據題意我們發現相當於窗口大小固定為K，同時在窗口內必須沒有重復的字元。我們用左右指針可以計算出當前窗口的大小right - left + 1，同時再利用一個count對字元種類進行計數（也可以直接用一個boolean值即可），那麼很容易可以得出當right - left + 1 > K 或者 count > 0時需要移動左指針了。剩下的部分就是愉快地套用模板啦。
至多包含兩個不同字元的最長子串
給定一個字元串 s ，找出至多包含兩個不同字元的最長子串 t 。
示例
解題思路
類似於上一題，不過我們用count來記錄當前窗口內字元的種類數量，當出現新字元以及滑動左指針時，做相應的判斷來改變count，窗口大小始終保持在滿足條件至多兩個不同字元的情況下。
至多包含 K 個不同字元的最長子串
給定一個字元串 s ，找出 至多 包含 k 個不同字元的最長子串 T。
示例
解題思路
和上一題完全一樣的思路，只需要把判斷窗口條件的地方改成 count > k ，又一題困難被我們直接秒殺。
下面來看看兩個字元串的情況
最小覆蓋子串
給你一個字元串 S、一個字元串 T，請在字元串 S 裡面找出：包含 T 所有字母的最小子串。
示例
解題思路
同樣是兩個字元串之間的關系問題，因為題目求的最小子串，也就是窗口的最小長度，說明這里的窗口大小是可變的，這里移動左指針的條件變成，只要左指針指向不需要的字元，就進行移動。
字元串的排列
給定兩個字元串 s1 和 s2，寫一個函數來判斷 s2 是否包含 s1 的排列。
示例
解題思路
首先窗口是固定的，窗口長度就是s1的長度，也就是說，右指針移動到某個位置後，左指針必須跟著一同移動，且每次移動都是一格，count 用來記錄窗口內滿足條件的元素，直到 count 和窗口長度相等即可。
找到字元串中所有字母異位詞
給定一個字元串 s 和一個非空字元串 p，找到 s 中所有是 p 的字母異位詞的子串，返回這些子串的起始索引。字元串只包含小寫英文字母，並且字元串 s 和 p 的長度都不超過 20100。
示例
解題思路
和上一題完全一致的思路，窗口固定為p串的長度。
最後來看看數組類型的題吧
最大連續1的個數 III
給定一個由若干 0 和 1 組成的數組 A，我們最多可以將 K 個值從 0 變成 1 。返回僅包含 1 的最長（連續）子數組的長度。
示例
解題思路
這題有點像上面的 替換後的最長重復字元，只不過把字元串換成了數組，由於只有兩種數字 0 和 1，並且只求連續 1 的長度，我們可以連 hash 映射都不需要了，直接計算遍歷到的 0 的個數即可。
K 個不同整數的子數組
給定一個正整數數組 A，如果 A 的某個子數組中不同整數的個數恰好為 K，則稱 A 的這個連續、不一定獨立的子數組為好子數組。
示例
解題思路
這題比較 tricky 的一個地方在於，這里不是求最小值最大值，而是要你計數。
但是如果每次僅僅加 1 的話又不太對，例如 A = [1,2,1,2,3], K = 2 這個例子，假如右指針移到 index 為 3 的位置，如果按之前的思路左指針根據 count 來移動，當前窗口是 [1,2,1,2]，但是怎麼把 [2,1] 給考慮進去呢？
可以從數組和子數組的關系來思考！
假如 [1,2,1,2] 是符合條件的數組，如果要計數的話，[1,2,1,2] 要求的結果是否和 [1,2,1] 的結果存在聯系？這兩個數組的區別在於多了一個新進來的元素，之前子數組計數沒考慮到這個元素，假如把這個元素放到之前符合條件的子數組中組成的新數組也是符合條件的，我們看看這個例子中所有滿足條件的窗口以及對應的滿足條件的子數組情況：
你可以看到對於一段連續的數組，新的元素進來，窗口增加 1，每次的增量都會在前一次增量的基礎上加 1。當新的元素進來打破當前條件會使這個增量從新回到 1，這樣我們左指針移動條件就是只要是移動不會改變條件，就移動，不然就停止。
至此，本文用同一個框架解決了多道滑動窗口的題目，這類問題思維復雜度並不高，但是出錯點往往在細節。記憶常用的解題模版還是很有必要的，特別是對於這種變數名多，容易混淆的題型。有了這個框架，思考的點就轉化為 「什麼條件下移動左指針」，無關信息少了，思考加實現自然不是問題。
㈥ 滑動窗口技術工作原理
滑動窗口針對圖像的演算法的一般描述是:在規模為 W×H 的圖像中，按一定規律移動 w×h 的窗口(W>>w， H>>h)，對窗口內像素點的像素值進行一系列運算，運算結束後窗口向右或向下移動一步，直到完成對整幅圖像的處理。
如果問的是滑動窗口協議的話，網路隨便搜索下，N多回答。
㈦ TCP/IP中滑動窗口演算法的意義
1.在不可靠鏈路上可靠地傳輸幀（核心功能）
2.用於保持幀的傳輸順序
3.它有時支持流量控制，這是一種接收方能夠控制發送方的一種反饋機制。
㈧ 什麼是滑窗迭代演算法
TCP的首部中有一個很重要的欄位就是16位長的窗口大小，它出現在每一個TCP數據報中，配合32位的確認序號，用於向對端通告本地socket的接收窗口大小。也就是說，如果本地socket發送一個TCP數據，其32位確認序號是5,窗口大小是5840，則用於告訴對端，對端已經發出的4個位元組的數據已經收到並確認，接下來，本地socket最多能夠接收從第5個位元組開始的5840個位元組長度的數據。這是由接收方進行的一種流量控制，接收方通過告訴發送方自己所能夠接收數據的大小，達到控制發送方發送速度的目的。
結構體struct tcp_sock中有很多成員數據跟滑動窗口協議相關，需要注意的是這里講的滑動窗口都是指本地socket的接收窗口。
成員window_clamp表示滑動窗口的最大值，滑動窗口的大小在變化的過程中不能超出這個值。它在TCP連接建立的時候被初始化，被置為最大的16位整數左移窗口的擴大因子，因為滑動窗口在TCP首部中以16位表示，window_clamp太大會導致滑動窗口不能在TCP首部中表示。
成員rx_opt是一個struct tcp_options_received結構體，它有兩個成員snd_wscale和rcv_wscale，分別表示來自對端通告的滑動窗口擴大因子(本地發送數據報時需要遵守)，和本地接收滑動窗口的擴大因子。snd_wscale從來自對端的第一個SYN中獲取。rcv_wscale在本地socket建立連接時初始化，它賦值的原則是使16位整數的最大值左移rcv_wscale後，至少可以達到整個接收緩存的最大值。接收緩存最大值在協議棧中由全局變數mysysctl_rmem_max表示，它是256*(256+sizeof(struct sk_buff))後的值，為107520，但sysctl_tcp_rmem[3]所表示的接收緩存的上限更大，為174760，所以，取後者，這樣的話，rcv_wscale的值幾乎可以說是固定的，為2。所以window_clamp的值就是 65535 << 2 = 262140。可見，window_clamp的值超出了接收緩存的最大值，但這沒有關系，因為在滑動窗口增長的時候，會考慮接收緩存的大小這個因素的。
rcv_wnd表示當前的接收窗口的大小，這個值在接收到來自對端的數據後，會變動的。它的初始值取接收緩存大小的3/4跟MAX_TCP_WINDOW之間的最小值，MAX_TCP_WINDOW在系統中的定義為32767U。然後，還要根據mss的值作一個調整，調整邏輯是：如果mss大於3*1460，則如果當前的rcv_wnd大於兩倍的mss，就取兩倍的mss作為rcv_wnd的值；如果mss大於1460，則如果當前的rcv_wnd大於3倍的mss，就取3倍的mss作為rcv_wnd的新值；否則，如果rcv_wnd大於4倍的mss,就取4倍的mss作為rcv_wnd的新值，我們的實驗環境的mss值為1448(因為tcp首部有12位元組的時間戳選項)，所以rcv_wnd最後被調整為1448*4=5792。
㈨ 鋁合金門窗的演算法、公式及上下方尺寸和玻璃尺寸的演算法是什麼
高度方向搭接量的確定：應根據上滑型材的槽深和下滑型材的道軌高度，以及窗扇滑輪的高度來選擇搭接量。窗扇與上滑的搭接量一般為上滑槽深的1/2減去2~3mm，可選用10 mm。窗扇與下滑的搭接量是滑輪的槽深到窗扇下邊的距離，一般為6~10 mm，可選用8 mm。
另外,也可以用推拉框高度方向的內口尺寸,加上上滑槽深,再減去4~6 mm,作為推拉扇的高度尺寸。
寬度方向的搭接量應根據邊封型材、勾企型材以及光企型材確定。設計時，應使兩個窗扇的勾企完全重合。
鋁合金推拉窗分為兩扇推拉窗、三扇三等分推拉窗、三扇四等分推拉窗、四扇推拉窗等。設計時，應使窗扇的寬度尺寸和高度尺寸在國家標准允許的范圍內。
設計帶有固定窗的推拉窗時，如果是上下分格，固定窗與推拉窗之間可以採用中上滑型材或中下滑型材；如果是左右分格，固定窗與推拉窗之間可以採用固定邊封型材。如果是高層建築，還要考慮推拉窗的厚度系列是否滿足抗風壓強度要求。
設計紗扇時，高度方向的搭接量按紗軌槽深的二分之一選取。寬度方向的搭接量可按紗扇寬度不超過窗扇寬度選取，寬度尺寸不應超過窗扇寬度。
二、鋁合金推拉窗的下料尺寸計算
鋁合金推拉窗的下料尺寸主要是窗框和窗扇的下料尺寸計算。
窗框的下料尺寸包括：邊封、上滑、下滑、中上滑、中下滑、固上橫、中立柱（中梃）等。邊封的下料尺寸等於窗高；上滑、下滑、中上滑、中下滑、固上橫的下料尺寸等於窗寬減去兩個邊封的寬度再加上兩個邊封的槽深；
窗扇的下料尺寸包括：上方、下方、勾企、光企等。勾企、光企的下料尺寸等於窗框的內口尺寸，再加上兩個搭接量（上下搭接量）；上方、下方的下料尺寸等於窗扇的寬度減去勾企、光企的寬度，再加上勾企、光企的槽深；
計算窗扇的寬度尺寸時，有四種情況：一是兩扇推拉窗的計算；二是三扇三等分推拉窗的計算、三是三扇四等分推拉窗的計算、四是四扇推拉窗的計算。計算時應分別對待。
㈩ 目標檢測中anchor box的做法和adaboost人臉檢測中的滑窗檢測有什麼區別
深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據。
卷積神經網路(CNN)
局部連接
傳統的神經網路是全連接，即一層的神經元與上一層的所有神經元都建立連接，這樣導致參數非常多，計算量非常大，而CNN是局部連接，一層的神經元只與上一層的部分神經元建立連接，這樣可以減少參數和計算量。
Technology-MachineLearning-FaceRegonition-CNN-LocalConnected
權值共享
給一張輸入圖片，用一個filter去掃時，filter裡面的數就叫權重。用該filter對整個圖片進行了某個特徵的掃描，例如Edge detection，這個過程就是權值共享，因為權重不變。
Technology-MachineLearning-FaceRegonition-CNN-WeightSharing
人臉識別
多個CNN加其他層，遍歷而成的人臉識別處理結構：
Technology-MachineLearning-FaceRegonition-CNN-Example
層提取到的信息的演進：
Technology-MachineLearning-FaceRegonition-CNN-Example2
人臉檢測
傳統演算法
識別:滑動窗口+分類器
用一個固定大小的窗口去滑動掃描圖像，並通過分類器去分辨是否是人臉。有時候人臉在圖片中過小，所以還要通過放大圖片來掃描。
Technology-MachineLearning-FaceRegonition-WindowClassifier
訓練:特徵+Adaboost
傳統特徵:LBP/HOG/Harr
圖片原始的RGB信息，維度太高，計算量過大，且不具備魯棒性，即光照和旋轉，對RGB信息影響非常大。
利用LBP得到二進制值，再轉換成十進制:
Technology-MachineLearning-FaceRegonition-LBP
效果圖：
Technology-MachineLearning-FaceRegonition-LBP-Example
Adaboost
由於移動設備對計算速度有一定要求，所以用多個弱分類器加權疊加來完成一個強分類器，從而保證速度。
Technology-MachineLearning-FaceRegonition-Adaboost
深度學習
特徵的選取是比較復雜的，可能需要大量的統計學和生物學知識積累，而深度學習不需要選擇特徵，這是其很大優勢，另外通過GPU代替CPU等方式，可以得到一個更好的效果。
Technology-MachineLearning-FaceRegonition-DeepLeaning-Example
關鍵點檢測、跟蹤
傳統演算法
Cascade regression/ESR/SDM
傳統演算法步驟：
根據人臉檢測的框位置，先初始化初始臉部輪廓位置;
進行上一步位置和圖形特徵檢測下一步位置(一般是迭代殘差);
進行迭代，最終得到相對准確的輪廓位置。
Technology-MachineLearning-FaceRegonition-KeyPoints
深度學習
深度學習演算法步驟：
對圖像進行輪廓定位態校正;
全局粗定位;
局部精細定位。
作者：YI_LIN
來源：簡書