在当今这个大规模人才需求的时代，各种不同类型的企业为了不断拓展业务和保持活力，需要持续招聘和雇佣人才，因此，人力资源管理问题也日益受到重视。为了更好地管理企业的人力资源，越来越多的企业开始使用专业的人力资源管理系统。本系统是一款功能强大的人力资源管理系统，其主要功能模块包括员工个人信息修改、请假、员工薪资管理、考勤管理和社保管理等。 其中，考勤管理模块实现了员工考勤状态的修改和员工考勤月报表的导出，以及通过员工考勤记录的导入来实现员工考勤状态的判断。社保管理模块主要实现了员工社保的计算以及明细的修改。薪资管理模块实现了员工工资的调整，以及员工月工资报表的导出。这些功能模块可以帮助企业更好地管理员工的请假、考勤、薪资和社保等信息，从而更好地掌握企业的人力资源数据。 本项目采用了前后端分离的技术，前端是基于 Vue+ElementUI+Axios 开发的，后端则是基于 Spring Boot+MyBatis Plus+ Jwt+Mysql。前端采用了Vue框架和ElementUI组件库，利用Axios来进行网络请求，实现了良好的用户交互体验。后端采用了Spring Boot框架和MyBatis Plus插件，利用Jwt Token来判断当前登录的员工以及员工的登录状态。同时，项目还实现了权限菜单管理，通过员工的权限动态渲染菜单，并动态生成路由，从而更好地保护企业的数据安全。总之，本项目提供了全面的人力资源管理解决方案，包括员工的考勤、薪资、社保等信息的管理，采用了前后端分离的技术实现，同时也具备了良好的用户体验和数据安全性。通过使用本系统，企业可以更好地管理其人力资源，提高企业管理效率，为企业的长远发展奠定坚实的基础。

本项目在研究矩阵分解及其应用，并比较不同的矩阵分解方法在推荐系统和图像处理应用场景下的性能表现。在研究背景和意义部分，我们介绍了矩阵分解的重要性和应用领域。在矩阵分解方法部分，我们详细介绍了矩阵的满秩分解、LU分解、QR分解、Cholesky分解、特征值分解、奇异值分解等常见的矩阵分解方法。在实际应用部分，我们以推荐系统和图像处理为例，阐述了矩阵分解在这两个领域中的应用和意义。 在实验研究与分析部分，我们选择了MovieLens 100k数据集和CIFAR-10数据集来验证不同的矩阵分解方法的准确度、效率和可扩展性。在推荐系统实验中，我们将不同的矩阵分解算法应用于训练集并评估其在测试集上的表现，以均方根误差（RMSE）和平均绝对误差（MAE）指标来评估算法的准确度。在图像处理实验中，我们比较了奇异值分解（SVD）和主成分分析（PCA）两种矩阵分解方法在图像压缩和去噪方面的表现。实验结果表明，奇异值分解算法在推荐系统中的表现优于其他算法，而在图像处理方面，SVD和PCA两种方法的表现相当。

项目背景：传统计算机视觉图像分析通常是对诸如“狗”“车”和“鸟”等传统意义类别上的分类、检索。而在许多实际应用中，图像对象往往来自某一传统类别下较细粒度级别的不同子类类别，现有的方法对细粒度级别子类别间较小的类间差异和较大的类内差异效果差。 需要解决问题：一般的图像检索大多都针对的是通用物体，比如在一些变化不会特别大的刚体之间搜索，如不同角度、光照下拍摄的埃菲尔铁塔、一些建筑物等等。如果将这些系统用于更精细的场景，传统方法便显得力不从心了，因此需要解决的问题就是找到细粒度物体的关键部位，利用这些关键部位的不同，进行针对性的细粒度分析。 我做的工作：对数据集进行pca降维，编写特征融合代码。其余部分由队友完成。 结果反馈：最后采用的SCDA方法比传统方法在实验所用的三个数据集中都比传统方法高至少10%的准确率