SSA算法层

1. ssa格式怎么读取

最近很多论坛上都出现了MKV这个格式，广大动漫爱好者可能对这个格式不是很熟悉，我在这里稍微的解释一下。

如果对OGM这个格式不是很熟悉的话，自然也就不会怎么知道MKV了。
首先澄清一个误区，MKV不是一种压缩格式，DivX、XviD才是视频压缩格式，MP3、OGG才是音频压缩格式。

MKV是个“组合”和“封装”的格式，换句话说就是一种容器格式。
举个例子的话就比较容易理解了，把只有视频的XviD和只有音频的MP3组合起来，然后以一种多媒体介质的形式出现，最常见的就是AVI，其次就是OGM，还有MP4等不太常见的。

AVI的出现已经超过了10年，渐渐体现出老态了，除了近年通过VD可以拥有2个音轨，没有其他的改进。

OGM的出现，标志着多音轨格式的出现，可以合成8个以上的音轨，音频上自然也多了OGG这
个格式，重要的是可以“内挂”字幕，老外称为“软字幕”，可以任意开关，可以“内挂”8个以上的字幕，美中不足的是仅仅支持srt格式，并且不支持Unicode，对亚洲字符支持严重不足。还有一个就是Charpter功能，可以自定义段落，播放时就可以选择了。是不是越来越像DVD啦？

但是当时的OGM源码是不公开的，就那么几个人在开发，自然进度慢了，前一阵几乎陷入了“死亡”。最近宣布公开源码，加入OpenSource行列，重新开始开发。

MKV就是在OGM停滞的那段时间出现的，由俄罗斯的程序员开发的，从一开始就是OpenSource，因此得到了很多其他程序员的帮助，开发速度相当快。
OGM有的MKV都有，另外还有很多独特的功能。其中最令人振奋的就是Gabest开发的Plugin，不仅开发了专门的播放器MediaPlayerClassic，这个东西的强大相信用过的人都有体会。还开发了很多的MKV用的Mux（合成器），尤其是Real格式的Mux。Real的RMVB是封闭格式，官方的Helix根本就不支持多声道，所以尽管算法很优秀，但在声效大片的再现上就无能为力了，只能乖乖让位给可以合成AC3和DTS的AVI以及OGM了。
但Gabest开发的RealmediaSplitter和MKVMux可以让RMVB格式的视频和AC3、DTS合成MKV，从根本上克服了RMVB音频上的弱点。
不仅如此，还开发了VSFilter.dll和SubtitleSource.ax这2个Plugin，宣布支持ssa和ass的格式软字幕。

可能大家看了有点晕，我也说的太多了，总结就是下面几条：
1、支持多种格式的视频和音频，尤其是Real
2、支持多音轨，多达16条以上
3、支持ssa，ass软字幕，多达16条以上
4、支持段落选取（由制作人决定）

此帖转自动漫花园，原作csr2000

二、mkv文件播放方法
1.播放需要的插件：
MKV_98（98用户下载这个）

MKV_NT（2K，XP，2K3用户下载这个）

把rar包解压到一个固定的文件夹里，然后运行register_(98,NT).bat，这样播放需要的
插件就安装好了。包中另外一个是mplayerc.exe，是推荐使用的播放软件，只有使用这
个，才能体验MKV的全部功能。
如果使用这个播放器的话，MatroskaSplitter.ax都不必装，mplayerc天生就支持MKV格
式。如果能够播放MKV，但没有字幕，就是没有装里面的VSFilter.dll。
装了VSFilter.dll，播放时会自动加载vobsub，相当于外挂字幕。

2.如果上述方法无效，请下载这个

2个随便装那个，会自动分析系统安装正确的版本的

2. 抗SSA/SSB抗体是什么

抗SSB抗体（anti-SSB antibody；anti-Sjgren syndrome B antibody），几乎仅见于某些女性自身免疫病患者，如原发性干燥综合征、系统性红斑狼疮等，其靶抗原La蛋白含RNA识别位置(RRM)、ATP结合位点及核定位信号，与细胞内多种小RNA相关。

抗ssa抗体属于抗核抗体（ANAs）的一种，ANA阳性提示结缔组织病的可能。

(2)SSA算法层扩展阅读

抗SSA抗体检测原理

细胞内的两种蛋白与核糖核酸结合成复合物，称为hY1、hY3、hY4和hY5核糖核蛋白，血清中存在对抗这些蛋白的抗体则为抗SSA，是抗可提取性核抗原中的一个成分。检测方法有免疫双扩散法、免疫印迹法或酶联免疫吸附法（ELISA法）。

抗SSB抗体检测原理

直接对抗RNA～多聚酶Ⅲ附属蛋白的抗体称抗SSB，是抗可提取性核抗原（ENA）的一个成分。检测方法：免疫沉淀法，抗原为胸腺提取物；免疫印迹法，测定在相对分子质量为48000的段；ELISA法：抗原为亲和层析法提取的抗原或基因工程产的抗原。

3. PMP绝对路径的算法

PMP没有绝对的路径计算法。只是关键路径。。或者你将问题再补充全些

4. 以下几个算法请高手帮忙解释下，小弟不胜感激，

最少的意味着第四((LMF);签署回归量算法(SRA);签署算法(SA);记号-记号算法(SSA);

5. 编译器中都有哪些算法

词法/语法分析、程序分析与程序变换、代码生成、内存管理、虚拟机、函数式语言的实现与优化。。。每个话题都能出不止一本书。

用到的算法/数据结构多如牛毛：

各种树、图为主，其他如栈、队列、散列表、并查集。。。

贪心、回溯、动态规划、遗传算法、矩阵变换。。

在一个问题下很难回答好。。 先简单介绍一下和图相关的。

1. 和什么图打交道
CFG(Control Flow Graph)
控制流图是对程序中分支跳转关系的抽象，描述程序所有可能执行路径

节点是语句集合（basic block)；

每个basic block有唯一入口和出口；

如果A到B有边，表示A执行完后可能执行B

PDG(Program Dependence Graph)
PDG在编译器中用得不多，常见于软件工程/安全相关的应用（程序切片、安全信息流等）

SSA(Single Static Assignment)
SSA简化了很多数据流分析问题。

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

可参考：IR for Program Analysis。下面主要介绍CFG

2. CFG初步处理
CFG构造

dominator树生成
在CFG中，如果A是B的dominator，则从程序入口执行到B的任意路径一定经过A

控制依赖分析
根据dominator和post-dominator分析依赖关系。数据依赖、控制依赖信息在自动并行化中尤其重要（如果循环的每次迭代都没有依赖，那么可以并行处理）

控制流图化简
在复杂度相同的情况下，CFG的规模影响算法的效果。如果一个CFG仅通过如下变换能化简为一个节点，则它是可化简的：

如果节点n有唯一的前驱，那么将其和其前驱合并为一个节点

如果节点存在到自身的边，那么将该边删除
构造SSA
SSA可以由CFG构造。

3. CFG与数据流分析
下面才进入主题。。
一般的文献介绍DFA（Data flow analysis），都会用几个基础的分析为例：Constant Propagation，Range propagation，Avaliable expressions，Reaching Definition。而Reaching Definition的一个应用，就是大家喜闻乐见的“跳转到定义处”（真要做到“智能”跳转并不简单）

这部分涉及东西较多，一些算法也和”图“并不直接相关，不再展开。

PS，很多DFA问题可以用graph reachability统一建模，强烈推荐此文：
Program analysis via graph reachability

6. 对数据科学家来说最重要的算法和统计模型

对数据科学家来说最重要的算法和统计模型
作为一个在这个行业已经好几年的数据科学家，在LinkedIn和QuoLa上，我经常接触一些学生或者想转行的人，帮助他们进行机器学习的职业建议或指导方面相关的课程选择。一些问题围绕教育途径和程序的选择，但许多问题的焦点是今天在数据科学领域什么样的算法或模型是常见的。
由于可供选择的算法太多了，很难知道从哪里开始学起。课程可能包括在当今工业中使用的不是很典型的算法，而课程可能没有包含目前不是很流行的但特别有用的方法。基于软件的程序可以排除重要的统计概念，并且基于数学的程序可以跳过算法设计中的一些关键主题。

我为一些有追求的数据专家整理了一个简短的指南，特别是关注统计模型和机器学习模型(有监督学习和无监督学习);这些主题包括教科书、毕业生水平的统计学课程、数据科学训练营和其它培训资源。(其中有些包含在文章的参考部分)。由于机器学习是统计学的一个分支，机器学习算法在技术上归类于统计学知识，还有数据挖掘和更多的基于计算机科学的方法。然而，由于一些算法与计算机科学课程的内容相重叠，并且因为许多人把传统的统计方法从新方法中分离出来，所以我将把列表中的两个分支也分开了。

统计学的方法包括在bootcamps和证书程序中概述的一些更常见的方法，还有一些通常在研究生统计学程序中所教授的不太常见的方法(但在实践中可以有很大的优势)。所有建议的工具都是我经常使用的工具:
1)广义线性模型，它构成了大多数监督机器学习方法的基础(包括逻辑回归和Tweedie回归，它概括了在工业中遇到的大多数计数或连续结果……)
2) 时间序列方法(ARIMA, SSA, 基于机器学习的方法)
3) 结构方程建模 (模拟和测试介导途径)
4) 因子分析法(调查设计与验证的探索和验证)
5) 功率分析/试验设计 (特别是基于仿真的试验设计，以免分析过度)
6) 非参数检验(从零开始的推导, 尤其通过模拟)/MCMC
7) K均值聚类
8) 贝叶斯方法(Na?ve Bayes, 贝叶斯模型求平均值, 贝叶斯自适应试验...)
9) 惩罚回归模型 (elastic net, LASSO, LARS...) ，通常给模型增加惩罚因素(SVM, XGBoost...), 这对于预测值超过观测值的数据集是有用的(常见于基因组学与社会科学研究)
10) 样条模型(MARS...) 用于灵活性建模过程
11)马尔可夫链和随机过程 (时间序列建模与预测建模的另一种方法)
12)缺失数据填补方案及其假设(missForest, MICE...)
13) 生存分析(非常有助于制造建模和消耗过程)
14) 混合建模
15) 统计推断与分组测试(A/B测试和在许多交易活动中实施更复杂的设计)
机器学习扩展了许多这样框架，特别是K均值聚类和广义线性建模。在许多行业中一些有用的常见技术(还有一些更模糊的算法，在bootcamps或证书程序中出人意料的有用，但学校里很少教) 包括:
1)回归/分类树(用于高精度、可解释性好、计算费用低的广义线性模型的早期推广)
2)维数约简(PCA和多样学习方法如MDS和tSNE)
3)经典前馈神经网络
4)装袋组合(构成了随机森林和KNN回归整合等算法的基础)
7)加速整合(这是梯度提升和XGBoost算法的基础)
8)参数优化或设计项目的优化算法(遗传算法，量子启发进化算法，模拟锻炼，粒子群优化)
9)拓扑数据分析工具，特别适合于小样本大小的无监督学习(持久同调, Morse-Smale聚类, Mapper...)
10)深度学习架构(一般的深度架构)
11) KNN局部建模方法(回归, 分类)
12)基于梯度的优化方法
13)网络度量与算法(中央度量法、中间性、多样性、熵、拉普拉斯算子、流行病扩散、谱聚类)
14)深度体系架构中的卷积和汇聚层(专门适用于计算机视觉和图像分类模型)
15)层次聚类 (聚类和拓扑数据分析工具相关)
16)贝叶斯网络(路径挖掘)
17)复杂性与动态系统(与微分方程有关，但通常用于模拟没有已知驱动程序的系统)
依靠所选择的行业，可能需要与自然语言处理(NLP)或计算机视觉相关的附加算法。然而，这些是数据科学和机器学习的专门领域，进入这些领域的人通常已经是那个特定领域的专家。

7. 字幕制作：关于“字体颜色过渡”的问题！

你要用ass写的话，只能用\clip来写，一句话写上10来行，每一行颜色不同（注意颜色过渡），再用clip一层一层截取效果，渐变就出来了。想必我说的你应该明白，确实无比的麻烦，以前有人写过个脚本，但是ms不太好用，要是可以的话自己拿vb写个脚本也行，祝你成功

8. 实验设计方差分中的Seq SS和Adj SS的区别

1.背景

1.1 田口正交法

田口品质设计法，是利用田口玄一博士[1]所设计的正交表，设计少量的参数组合，进行实验，并使用S/N比表示产品品质的好坏，以求的最佳组合，而达到高良率，低成本的重要方法。

正交表[1]为一组矩阵式数字，每一行代表一个特定实验中因素的状态，每一列代表一个特定的因素或条件组合。主要以较少的实验次数来获得有用的统计资料，正交表以La(bc)命名，代表共有a组实验，最多容纳b个水平的因子c个，以L18(21×37)为例，由1个2水平的因子和7个3水平的因子所组成，需实验18次，因此，正交表的目的在于：（1）了解控制因子（Control Factor）及干扰因子（Noise）对产品品质的影响；（2）由计算S/N比及进行变异分析（Analysis of Variance），以找出影响较大的因子，并求出最佳的参数组合。

1.2 信号噪音比（Signal to Noise Ratio）

信号噪音比（S/N）[1]是田口品质工程上重要的评估指标，可用来表示制程或产品的水平受误差因素影响的程度。有田口博士将平均品质损失经由对数转换、乘以10、并取负号，称为S/N比，由于品质特性的目标不同，故计算S/N比由品质特性可分为三种特性：

（1）望小特性

S/N比越大，表示平均值越靠近0，且变异越小。即提高S/N比即可使变异变小，且平均值越靠近目标值0。

（2）望大特性

（3）望目特性

1.3 变异分析（ANOVA）

变异分析（Analysis of Variance）主要是评估实验误差，找出影响较大的控制因子，并利用统计分析，可辅助图表的不足。

2. 工程实例

2.1 实例背景

例如，我们在分析封装的热应力时，由于封装结构尺寸较多、材料通常比较复杂，难以每个结构以及材料都进行单因素分析，另一方面，单因素分析难以考虑到结构间、结构-材料、材料间的交互影响，因此，我们推荐利用田口正交分析，利用一定量、可控的实验分析，对结构、材料复杂，每种因素包含水平较多的实验，进行分析。

本例结构因素以及水平如下：

因子 单位 水平1 水平2 水平3
A 芯片尺寸 mm 2.0 3.0 4.0
B 芯片厚度 mm 0.1 0.2 0.3
C 铜柱直径 mm 0.08 0.10 0.12
D 铜柱高度 mm 0.03 0.05 0.07
E 焊料高度 mm 0.01 0.03 0.05
F PI开口大小 mm 0.03 0.05 0.07
2.2 确定实验量

如上节，如果我们将每个因素的每个水平都进行分析，我们则需要进行3e6=639组实验，这是我们所不能接受的。

正交表的形式和计算方法在此不做详细讨论，实际使用中，我们可以通过软件直接选择生成正交表。

如下表为minitab软件，可以在软件中选择因素和水平后，直接生成正交表。

2.3 提取ANSYS中的仿真结果

可以在ANSYS中计算得到我们关注结构的应力或位移等数值，如本例中的Bump中线路层中的第一主应力值，并记录在下表中，并由第一章节中的公式计算得到信噪比（dB）。