包括项目概况、度量计划、需求、规模、计划变更、EV、进度、工作量、质量、过程数据库....

Tid大会SPIChina讲义：敏捷项目度量及过程改进实践

大数据至少具备以下三个特性：数据量巨大（volume），处理速度要求快（velocity），数据类型复杂繁多（variety）针对上面的三个特性，现在对volume与velocity的研究较多，而对 Variety的研究相对较少。 在Variety的研究上主要是使用度量空间来表示，，其具备高度的普遍适用性，但是在度量空间中没有坐标信息，很多平时使用的数学工具无法使用，因此需要对其度量空间内的数据进行坐标化，这样，即可实现传统的数学计算，例如计算距离，计算垂直平分线等等。而数据的坐标化依赖于支撑点的选取。因此支撑点对于度量空间模型中的数据管理和数据分析至关重要。 现在支撑点的选取有三大类问题： 1.支撑点的目标函数2.度量空间需要的支撑点数量 3.实现支撑点选择的算法，考虑其性能与数目，（在合理的时间和空间达到最优的算法的重要性显而易见） 本论文主要针对以上三个支撑点选取的方向进行研究，并且在三大类问题提出新的思路： (1) 提出基于半径新的目标函数，用于度量空间索引时支撑点的选取 (2) 提出基于坐标矩阵的特征值确定支撑点数目的新方法，性能与以往相同，计算时间简单 (3) 提出抽样支撑点选择框架 其各自的重要性，当前研究情况，当前研究存在的问题，论文的方法和创新点，实验证实后 面会针对三者分别列出。因此需要对测试数据集进行说明

马氏距离matlab原始代码EyeStateKNNClassifier 使用不同距离度量和邻居参数数量的k-NN算法预测眼图状态 该存储库包含“使用k-NN算法预测眼图状态：不同距离度量和邻居参数数量的比较研究”的原始实现，该方法已发布在2019年医疗技术大会（TIPTEKNO）上。 为了提出针对不同类型问题的基于k-NN的方法，必须分析并正确解释不同的距离度量和相邻参数的数量。 在此项目中，我们使用k-NN算法基于不同距离指标（城市街区，chebychev，相关性，余弦，欧几里得，马哈拉诺比斯，minkowski，seuclidean，spearman）和邻居参数的数量执行了基于脑电图的眼睛状态预测。 一些细节如下： 在可通过UCI机器学习存储库[]获得的EEG眼神状态数据集上进行的实验。 该数据集包含多变量，顺序和时间序列的现实世界EEG数据。 EEG Eye State.arf文件转换为EEGEyeStateDataSet_Data.mat（包含所有EEG数据）和EEGEyeStateDataSet_Labels.mat（包含标签）。 使用十倍留一法交叉验证技术评估分类性能以进行

角的度量(2).pptx

角的度量 (2).doc

软件可靠性度量实例研究，主要介绍的是软件的可靠性如何进行度量的，并举出了一个具体的例子

matlab的egde源代码FastAP：深度度量学习排名 该存储库包含以下论文的实现： *，* 、、和（*均等贡献） IEEE计算机视觉与模式识别会议（CVPR），2019年 用法 Matlab ：请参阅matlab/README.md PyTorch ：请参阅pytorch/README.md 数据集 斯坦福在线产品可以下载 店内衣服检索可以下载 北大车辆识别码请向作者索取数据集 重现性 我们为论文中的结果提供训练有素的模型和实验记录。 这些模型用于获得表中的结果。 日志还包括参数设置，如果需要的话，可以使他们重新训练模型。 它还包括在某些时期的带有模型检查点的评估结果。 表1：斯坦福在线产品 FastAP，ResNet-18，M = 256，Dim = 512：[，] FastAP，ResNet-50，M = 96，Dim = 128：[，] FastAP，ResNet-50，M = 96，Dim = 512：[，] FastAP，ResNet-50，M = 256，Dim = 512：[，] 表2：店内衣服 FastAP，ResNet-18，M = 256，Dim = 512：

项目管理作为90年代才发展起来的新领域，已成为现代管理学的重要分支，并越来越受到重视。运用项目管理的知识和经验，可以极大地提高和改善管理人员的工作效率。 本文较完整的介绍了项目管理的理论，包括软件工程的过程，项目度量，项目计划，风险分析，进度安排，质量保证，配置管理等的内容和实施方法，具有很强的参考和借鉴价值。

一种称为基于相关的动态时间扭曲 (CBDTW) 的新算法，它结合了基于 DTW 和 PCA 的相似性度量。 为了保持相关性，多元时间序列被分割，DTW 的局部差异函数源自 SPCA。 这些段是通过使用特殊的 PCA 相关成本通过自下而上的细分获得的。 我们的新技术符合两个数据库的要求，即 2004 年签名验证竞赛数据库和常用的 AUSLAN 数据集。 我们表明，在具有复杂相关结构的数据集的情况下，CBDTW 优于标准 SPCA 和最常用的基于欧几里德距离的多元 DTW。 该算法也描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月