日志异常检测器 日志异常检测器是一个名为“ Project Scorpio”的开源项目代码。 LAD也简称为LAD。 它可以连接到流媒体源并生成对异常日志行的预测。 在内部，它使用无监督机器学习。 我们结合了许多机器学习模型来实现这一结果。 另外，它在回路反馈系统中还包括一个人。 项目背景 该项目的最初目标是开发一种自动方法，根据用户应用程序日志中包含的信息，在用户的应用程序出现问题时通知用户。 不幸的是，日志中充满了包含警告甚至是可以忽略的错误的消息，因此简单的“查找关键字”方法是不够的。 另外，日志的数量在不断增加，没有人愿意或无法监视所有日志。 简而言之，我们的最初目标是使用自然语言处理工具进行文本编码，并使用机器学习方法进行自动异常检测，以构建一种工具，该工具可以通过突出显示最日志来帮助开发人员针对失败的应用程序更快地执行根本原因分析如果应用程序开始产生高频率的异常日志，则很可能

以太坊节点监听器 路线图： 设置环境（摩卡，测试，ganache，linting） 使用ws侦听特定地址下的所有交易（从最新的块开始） 创建交易历史

同一个TextView不同文字的点击事件，点击不同的文字做不同的处理

VBA(Excel) 全对象、事件、属性、方法、函数、语句 中文说明 xlsx格式

在观察者模式下使用MFC实现的消息监听，可以选择同步或者异步传递消息。监听者可以选择监听的消息类型以及发送者，发送者无需关心监听者是谁。

sensor_feature_extraction sensor_feature_extraction 从可穿戴惯性传感器数据中计算 100 多个特征。 这些特征是统计的、基于信号处理的和生物力学的。 步态周期事件检测还计算几个与步数/步幅相关的指标。

matlab cusum代码安装软件包 > 贝叶斯检测器 Adwin检测器 累积和 运行演示 > demo () 预测变化置信函数 (PCCF) 脚本包含核心功能 函数pccf(T, mu, sigma)使用解析解计算高斯分布的 Pccf 函数pccf_mp(T, mu, sigma)使用简单的消息传递算法计算 Pccf（对于任意分布的情况，可以轻松修改） 函数write_pccf(filepath, T = 100, mu = 25.0, sigma = 3.2) Pccf 值打印到文件中 脚本运行模拟确认pccf()和pccf_mp()正确性 Gamma 分布案例 用于 Gamma 分发的 PCCF 位于文件 ./r-code/pccfGamma.R PS：程序是用语言编写的（语法是 ）。 参考

matlab仿真故障代码基于集群稀疏编码的大型电力系统多事件分析 实时准确的事件分析对于高保真态势感知至关重要，这样可以在任何孤立的故障升级为级联停电之前采取适当的行动。 现有方法仅限于检测单个或两个事件或指定的事件类型。 所提出的基于集群的稀疏编码（ CSC ）算法可以提取多事件场景中涉及的所有底层单个事件。 先决条件 Matlab（在 Matlab R2015a 上测试） 数据集： “NPCC”试验台基于 28 GW 负载的 48 台机器（140 条总线）系统。 该模型代表了 NPCC 区域，覆盖了 ISO-NE、NYISO、PJM、MISO 和 IESO 的全部或部分。 这些模拟是基于“NPCC”测试平台完成的，它是真实系统的简化模型，使用电力系统工程模拟器 (PSS/E)。 基于NPCC测试数据集，我们生成了单事件案例（S1C）、双事件案例（M2C）和三事件案例（M3C）。 粗略地说，为每种类型的案例创建了 100 多个测试样本。 职能 主要功能 : 运行演示的主要功能 normalization.m : z-score 归一化 sparsecoding.m : 计​​算稀疏系

在话题检测和追踪过程中，话题漂移的产生往往降低话题检测和追踪的准确率。为了克服这个问题，通过分析新闻报道中种子事件与后续的新颖事件之间的演化关系，强调命名实体词的贡献度，并及时调整话题的重心向量，建立了一种动态的话题检测和追踪模型。实验证明，该模型有效地降低了话题漂移现象在话题检测与话题追踪中的影响。

实现qt widget控件的拖放功能，并且有鼠标拖动过程控件截图