- GEV/POT/Markov/点过程/贝叶斯极值全解析;基于R语言的极值统计学
极值统计学就是专门研究自然界和人类社会中很少发生,然而发生之后有着巨大影响的极端现象的统计建模及分析方法;在水文、气象、环境、生态、保险和金融等领域都有着广泛的应用。专题一、独立假设下的极值统计建模主要内容包括:1.广义极值模型.2.极小值的处理.3.广义Pareto模型.4.第r大次序统计量建模.5.R语言中极值统计学包.6.实例操作1-2.(提供案例数据及代码)专题二、平稳时间序列的极值统计建
- 【NLP】 26. 语言模型原理与概率建模方法详解(Language Models)
pen-ai
深度学习机器学习自然语言处理语言模型人工智能
语言模型原理与概率建模方法详解(LanguageModels)语言模型(LanguageModel,LM)是自然语言处理的核心组件之一。其任务是为一个词序列分配一个概率值,反映这段文本在自然语言中的“合理性”或“常见性”。在本章节中,我们将从基本定义出发,深入讲解语言模型的建模方法(包括n-gram模型、链式法则分解、Markov假设等)、概率计算技巧、数值稳定性对策,以及各类方法的优缺点对比。一
- Markov Chain for Procedural Level
后端
Assignment5:MarkovChainforProceduralLevelGenerationThepurposeofthisassignmentistomakeyoufamiliarwithproceduralcontentgenerationforleveldesign.MarkovChainsareoneoftheearliestProceduralContentGeneration
- 矩阵方程组求解——Markov过程
kaka_R-Py
随机过程numpypython机器学习
"""pi*p=pipi>=0pi1+pi2=1求解pi"""importnumpyasnpfromfractionsimportFraction#定义转移矩阵PP=np.array([[1/2,1/2],[7/9,2/9]])#求解平稳分布π#π*P=π等价于(P.T-I)*π.T=0#其中I是与P尺寸相同的单位矩阵#π.T是π的转置#定义单位矩阵II=np.eye(P.shape[0])#从P
- 马尔科夫链(Markov Chain)没有发射概率 B
苏西月
概率论
1.马尔科夫链的定义马尔科夫链是一种序列模型,其中状态是完全可见的,没有“隐藏”部分。它的转移是根据当前状态决定的,只关心当前状态转移到下一个状态的概率。其核心是状态转移概率矩阵AAA。核心特点:只关注状态之间的转移,不涉及观察值(观测值)的生成。数学定义:如果在时间ttt的状态为XtX_tXt,那么XtX_tXt的分布只取决于Xt−1X_{t-1}Xt−1,即满足马尔科夫性:P(Xt∣Xt−1,
- 隐马尔可夫模型(Hidden Markov Model, HMM) 和 最大熵马尔可夫模型(Maximum Entropy Markov Model, MEMM)
苏西月
人工智能
1.HMM(隐马尔可夫模型)HMM是生成式模型(GenerativeModel)HMM通过建模整个联合概率分布P(X,Y)P(X,Y)P(X,Y)来进行序列标注,其中:X=(x1,x2,...,xn)X=(x_1,x_2,...,x_n)X=(x1,x2,...,xn)是观测序列(例如一个句子中的单词)。Y=(y1,y2,...,yn)Y=(y_1,y_2,...,y_n)Y=(y1,y2,...
- RiskCloud-基于Markov算法精准的FTA、 JSA、FMEA软件
资讯过客视点
算法
这个美美的“花蝴蝶”是什么?样式规整、图案美化、脉络清晰、让人眼前一亮!由上海歌略软件科技有限公司自主研发打造,RiskCloud世界领先的企业级整体风险管理解决方案大作!“BowTie领结图”接下来,就让我们携手一起走进RiskCloud-BowTie领结图,一起领略她的风采吧!风险管理领结图介绍20世纪90年代末,领结图作为一种独特的安全管理工具,开始在国外石油化工领域得到较为广泛的应用。基于
- 马尔可夫决策过程(Markov decision process,MDP)
太阳城S
学习笔记马尔可夫决策过程MDP机器学习深度学习
文章目录马尔可夫决策过程(MDP)在机器学习中应用在机器学习中的引用示例引用:实例场景:机器人导航MDP的定义:引用示例:在此基础上更具体的描述,并给出每一步的推断计算过程场景描述:3x3网格中的机器人导航MDP的定义强化学习算法:Q-Learning具体实例与推断计算过程回合1(Episode1Episode1Episode1)回合2(Episode2Episode2Episode2)回合3(E
- 【NLP冲吖~】二、隐马尔可夫模型(Hidden Markov model, HMM)
漂泊老猫
自然语言处理人工智能python
0、马尔可夫模型某一状态只由前一个状态决定,即为一阶马尔可夫模型;状态间的转移依赖于前n个状态的过程,即为n阶马尔可夫模型马尔科夫链:如果St+1S_{t+1}St+1只依赖于前一时刻StS_tSt,不依赖于S1,...,St−1S_1,...,S_{t-1}S1,...,St−1,则称S1,S2,...,ST,...{S_1,S_2,...,S_T,...}S1,S2,...,ST,...为马尔
- 【大道至简】机器学习算法之隐马尔科夫模型(Hidden Markov Model, HMM)详解(3)---预测问题:维特比算法(Viterbi Algorithm)详解及Python代码实现
五点钟科技
大道至简系列#机器学习算法系列人工智能自然语言处理机器学习隐马尔科夫模型维特比算法
❤️本篇相关往期文章汇总:(1)HMM开篇:基本概念和几个要素(2)HMM计算问题:前后向算法(3)HMM学习问题:Baum-Welch算法❤️本文隶属专栏:大道至简之机器学习系列❤️更多精彩文章持续发布,敬请关注本人主页~目录写在前面一、从青蛙跳台阶问题引入动态规划思想二、从序列标注到维特比算法三、维特比算法四、代码实现五、总结写在前面其实到本篇文章,关于HMM三个基本问题中最难的部分已经在前两
- 论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
论文笔记整理:吴锐,东南大学硕士研究生,研究方向为自然语言处理来源:ICML2019链接:http://proceedings.mlr.press/v97/qu19a/qu19a.pdf问题定义弱监督下的在关系数据中的对象分类。形式化地来说,给定一个图G,图上有结点V表示一系列对象,在对象间存在有一系列边E,且每个结点都有对应的属性XV。当前已知部分结点L的标签,目的是推测出剩余结点U的标签值。相
- 【现代控制系统】最小实现与互质分式
你哥同学
现代控制系统线性代数矩阵最小实现互质分式
最小实现和互质分式2023年12月12日文章目录最小实现和互质分式1.实现问题2.SISO严格正则系统的实现2.1能控标准1型实现2.2能观标准2型实现2.3能观标准1型实现2.4能控标准2型实现2.5最小实现2.6完全表征3.计算互质分式3.1使用西尔韦斯特结式4.SISO基于Markov参数的实现5.传递函数矩阵的特征多项式下链1.实现问题如果对应一传递函数矩阵G(s){G(s)}G(s),存
- 2023年中国研究生数学建模竞赛A题分析(华为杯数学建模竞赛)
君莫默
数学建模
Claude2的回答根据题目要求,我给出以下解决方案:问题1:建立Markov链模型,包含空闲状态、成功状态、碰撞状态推导状态转移概率矩阵求解稳态概率计算碰撞概率p计算传输概率τ计算吞吐量公式代入参数,计算吞吐量数值问题2:与问题1建模步骤相同并发传输视为成功状态代入参数,计算吞吐量数值问题3:建立Markov链模型,包含空闲状态、成功状态、碰撞状态、信道错误状态推导状态转移概率矩阵求解稳态概率计
- 马尔科夫决策过程(Markov Decision Process)揭秘
アナリスト
机器学习人工智能深度学习动态规划
RL基本框架、MDP概念MDP是强化学习的基础。MDP能建模一系列真实世界的问题,它在形式上描述了强化学习的框架。RL的交互过程就是通过MDP表示的。RL中Agent对Environment做出一个动作(Action),Environment给Agent一个反馈(Reward),同时Agent从原状态()变为新状态()。这里的反馈可以是正、负反馈;Agent执行动作是根据某个策略(Policy)进
- HMM算法(Hidden Markov Models)揭秘
アナリスト
算法机器学习自然语言处理语音识别语言模型
序列数据机器学习的数据通常有两类,最常见的是独立同分布数据,其次就是序列数据。对于前者,一般出现在各种分类/回归问题中,其最大似然估计是所有数据点的概率分布乘积。对于后者,一般出现在各种时间序列问题中,比如在特定时间特定区域内的降雨量数据、每天的货币汇率数据,以及上下文相关的,如语音识别中的声学特征数据、文本的字符序列数据、生物领域如DNA数据等。需要指出,本文介绍的HMM模型适用于一切序列问题,
- .【机器学习】隐马尔可夫模型(Hidden Markov Model,HMM)
十年一梦实验室
机器学习人工智能
概率图模型是一种用图形表示概率分布和条件依赖关系的数学模型。概率图模型可以分为两大类:有向图模型和无向图模型。有向图模型也叫贝叶斯网络,它用有向无环图表示变量之间的因果关系。无向图模型也叫马尔可夫网络,它用无向图表示变量之间的相关关系。概率图模型可以用于机器学习,人工智能,自然语言处理,计算机视觉,生物信息学等领域。一、马尔科夫模型随机过程马尔科夫过程马尔科夫链状态转移矩阵通过训练样本学习得到,采
- MIT_线性代数笔记:第 25 讲 对称矩阵和正定性
浊酒南街
MIT_线性代数笔记线性代数笔记矩阵
目录对称矩阵Symmetricmatrices实特征值Realeigenvalues正定矩阵Positivedefinitematrices对称矩阵是最重要的矩阵之一,其特征值为实数并且拥有一套正交特征向量。正定矩阵的性质则更好。对称矩阵Symmetricmatrices包含特殊性质的矩阵,例如Markov矩阵,其特征值和特征向量往往拥有一定特性。对称矩阵A=ATA=A^TA=AT的特征值为实数,
- 十大经典算法(八)
向着光噜噜
九、马尔可夫MarkovModel(马尔可夫模型)在概率论中,马尔可夫模型是一种用于对随机变化的系统建模的随机模型。一种假定猜想:假设未来的状态只依赖于当前状态,而不依赖于之前发生的事件(也就是说,它假设了Markov属性)。通常,这个假设支持使用模型进行推理和计算,否则这将是棘手的。因此,在预测模型和概率预测领域,一个给定的模型最好能表现出马尔可夫性质。在不同的情况下,有四种常见的马尔可夫模型,
- LabVIEW开发滚动轴承故障诊断系统
LabVIEW开发
LabVIEW开发案例LabVIEW知识算法LabVIEW开发LabVIEW编程LabVIEW故障诊断
LabVIEW开发滚动轴承故障诊断系统在工业自动化和机械维护领域,滚动轴承的故障诊断是至关重要的。开发了一个基于LabVIEW的振动信号分析系统。这一系统集成了先进的信号处理技术,如经验模式分解(EMD)、Morlet小波滤波器和隐Markov树模型,使得对滚动轴承的状态监测和故障预测更加高效和准确。为用户提供一个直观、灵活且功能强大的工具,以识别和预防轴承故障,确保机械设备的可靠运行。系统的核心
- 信息论安全与概率论
唠嗑!
通信安全概率论信息论安全数学期望与方差
目录一.Markov不等式二.选择引理三.Chebyshev不等式四.Chernov上限4.1变量大于4.2变量小于信息论安全中会用到很多概率论相关的上界,本文章将梳理几个论文中常用的定理,重点关注如何理解这些定理以及怎么用。一.Markov不等式假定X为非负且为实数的随机变量,令为该变量的数学期望,可得:理解:代表事件的集合,该定理用来描述概率的上界,且该上界与数学期望相关。二.选择引理令,左边
- Denoising Diffusion Probabilistic Model原理+代码复现
FMsunyh
stablediffusionstablediffusion
DDPM原理推导复现的源码:denoising-diffusion-pytorch|https://github.com/FMsunyh/denoising-diffusion-pytorch自己的学习心得和部分笔记,希望对您有所帮助。更新记录2023-11-15TrainingProcess推导2023-11-19SamplingProcess推导前提知识1.Markov:当前位置的概率只会受前
- 【生物信息】一阶马尔科夫链和隐马尔科夫模型
上弦同学
Markov-HMM一阶马尔科夫链和隐马尔科夫模型程序功能:在网上收集50条细胞色素C的核心功能区域碱基序列作为正训练集,然后再收集50条碱基序列作为负训练集。收集一些数据作为测试集,通过一阶马尔科夫和隐马模型对测试集中的序列进行识别。一阶马尔科夫模型:给定一段DNA序列片段,判别它是否为胞色素C的核心功能区域。(整体判别问题)隐马尔科夫模型:给定一段DNA序列片段,识别细胞色素C的核心功能区域部
- python Markov马尔科夫网络节点状态预测并筛选小样本
JerryLoveCoding
之前写的基于马尔科夫的小样本节点检测文章里的内容~~马尔科夫决策过程是在随机过程的基础上提出来的,是对强化学习(RL)问题的数学描述。马尔科夫性需要满足:现在,将来和过去条件独立:定义:如果在t时刻的状态xt的条件分布F满足如下等式,那么这个状态被称为马尔科夫状态,或者说该状态满足马尔科夫性,该随机过程即是马尔科夫过程。(其中F是条件分布,t为时间,xn为在时间tn时刻的状态)马尔科夫性条件分布表
- python之马尔科夫链(Markov Chain)
奋进的大脑袋
python开发语言
马尔可夫链(MarkovChain)是一种随机过程,具有“马尔可夫性质”,即在给定当前状态的条件下,未来状态的概率分布仅依赖于当前状态,而与过去状态无关。马尔可夫链在很多领域都有广泛的应用,包括蒙特卡洛方法、统计物理学、自然语言处理等。马尔可夫链的一般定义如下:给定状态空间SS和状态转移概率矩阵PP,其中PijPij表示从状态ii转移到状态jj的概率,如果对于任意状态i,ji,j和任意时间步nn,
- 强化学习-赵世钰(一):基本概念【state、action、state transition、policy、reward、return、trajectories、episode、Markov】
u013250861
RL/强化学习强化学习
1.1AgridworldexampleConsideranexampleasshowninFigure1.2,wherearobotmovesinagridworld.Therobot,calledagent,canmoveacrossadjacentcellsinthegrid.Ateachtimestep,itcanonlyoccupyasinglecell.Thewhitecellsare
- 强化学习Markov重要公式推导过程
幻影123!
强化学习人工智能马尔科夫决策过程强化学习条件概率复杂概率分解基础数学
Markov决策过程(MarkovDecisionProcess,MDP)Markov过程是一种用于描述决策问题的数学框架,是强化学习的基础。MDP中,决策者面对一系列的状态和动作,每个状态下采取不同的动作会获得不同的奖励,决策者的目标是制定一种策略,使得长期累积的奖励最大化。MDP具有以下特点:状态具有马尔可夫性质,即当前状态包含了过去所有状态的信息,未来状态只与当前状态相关,与过去状态无关;决
- HMM(Hidden Markov Model)详解——语音信号处理学习(三)(选修一)
LotusCL
声音信号处理学习信号处理学习语音识别人工智能
参考文献:SpeechRecognition(Option)-HMM哔哩哔哩bilibili2020年3月新番李宏毅人类语言处理独家笔记HMM-6-知乎(zhihu.com)隐马尔可夫(HMM)的解码问题+维特比算法-知乎(zhihu.com)本次省略所有引用论文目录一、介绍二、建模单位StatesState由来转移概率与发射概率三、Alignment四、深度学习下的HMM方法一:Tandem方法
- 强化学习基础-马尔可夫决策过程(Markov Decision Process,MDP)
RRRRRoyal
python机器学习人工智能
马尔可夫决策过程(MarkovDecisionProcess,MDP)是一种数学框架,用于建模和求解序贯决策问题。它基于马尔可夫性质,通过定义状态、行动、转移概率函数和奖励函数来描述决策过程,并通过最优化方法来求解最优策略。本文将详细介绍马尔可夫决策过程的原理和数学公式。第一部分:马尔可夫决策过程的原理1.1马尔可夫性质马尔可夫性质是马尔可夫决策过程的核心概念。它指的是在给定当前状态下,未来状态的
- CVPR 2023 精选论文学习笔记:ScanDMM A Deep Markov Model of Scanpath Prediction for 360deg Images
结构化文摘
学习笔记人工智能3d计算机视觉
我们给出四个符合MECE要求的分类标准:1、任务类型图像质量评估:该任务涉及评估图像的质量,通常是通过将其与参考图像进行比较。参考文献[50]和[60]都关注这个任务。视觉显著性:该任务涉及识别图像中最显著的部分。图像中最显著的部分是那些最有可能首先吸引注意力的部分。参考文献[51、52、53、<
- 马尔可夫不等式、切比雪夫不等式、柯西-施瓦茨不等式
antiemperor
概率论不等式统计学马尔科夫切比雪夫
一、马尔可夫不等式(Markov)马尔可夫不等式描述的是非负随机变量绝对位置的概率上限对于非负随机变量X,a>=0,有证明:原式可化为注意到,因为X非负,右边二、切比雪夫不等式(Chebyshev)切比雪夫不等式描述的是随机变量距期望相对位置偏离的概率上限证明:记右边注意到,在中,,因此有三、柯西-施瓦茨不等式(Cauchy-Schwarz)柯西-施瓦茨不等式描述的是协方差与方差之间的不等关系证明
- 用MiddleGenIDE工具生成hibernate的POJO(根据数据表生成POJO类)
AdyZhang
POJOeclipseHibernateMiddleGenIDE
推荐:MiddlegenIDE插件, 是一个Eclipse 插件. 用它可以直接连接到数据库, 根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ,用完后你可以手动删除它加载的JAR包和XML文件! 今天开始试着使用
- .9.png
Cb123456
android
“点九”是andriod平台的应用软件开发里的一种特殊的图片形式,文件扩展名为:.9.png
智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。
我们都知道android平台有多种不同的分辨率,很多控件的切图文件在被放大拉伸后,边
- 算法的效率
天子之骄
算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
算法的效率
效率是速度和空间消耗的度量。集中考虑程序的速度,也称运行时间或执行时间,用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示,而且它总是小于或等于时间需求。
以下是我的学习笔记:
1.求值与霍纳法则,即为秦九韶公式。
2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
- java数据结构
何必如此
java数据结构
Java 数据结构
Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类:
枚举(Enumeration)
位集合(BitSet)
向量(Vector)
栈(Stack)
字典(Dictionary)
哈希表(Hashtable)
属性(Properties)
以上这些类是传统遗留的,在Java2中引入了一种新的框架-集合框架(Collect
- MybatisHelloWorld
3213213333332132
//测试入口TestMyBatis
package com.base.helloworld.test;
import java.io.IOException;
import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibat
- Java|urlrewrite|URL重写|多个参数
7454103
javaxmlWeb工作
个人工作经验! 如有不当之处,敬请指点
1.0 web -info 目录下建立 urlrewrite.xml 文件 类似如下:
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE u
- 达梦数据库+ibatis
darkranger
sqlmysqlibatisSQL Server
--插入数据方面
如果您需要数据库自增...
那么在插入的时候不需要指定自增列.
如果想自己指定ID列的值, 那么要设置
set identity_insert 数据库名.模式名.表名;
----然后插入数据;
example:
create table zhabei.test(
id bigint identity(1,1) primary key,
nam
- XML 解析 四种方式
aijuans
android
XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。
XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
- spring中配置文件占位符的使用
avords
1.类
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
- 前端工程化-公共模块的依赖和常用的工作流
bee1314
webpack
题记: 一个人的项目,还有工程化的问题嘛? 我们在推进模块化和组件化的过程中,肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理?另外怎么依赖也是个问题? 你真的想这样嘛? var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。
- 上司说「看你每天准时下班就知道你工作量不饱和」,该如何回应?
bijian1013
项目管理沟通IT职业规划
问题:上司说「看你每天准时下班就知道你工作量不饱和」,如何回应
正常下班时间6点,只要是6点半前下班的,上司都认为没有加班。
Eno-Bea回答,注重感受,不一定是别人的
虽然我不知道你具体从事什么工作与职业,但是我大概猜测,你是从事一项不太容易出现阶段性成果的工作
- TortoiseSVN,过滤文件
征客丶
SVN
环境:
TortoiseSVN 1.8
配置:
在文件夹空白处右键
选择 TortoiseSVN -> Settings
在 Global ignote pattern 中添加要过滤的文件:
多类型用英文空格分开
*name : 过滤所有名称为 name 的文件或文件夹
*.name : 过滤所有后缀为 name 的文件或文件夹
--------
- 【Flume二】HDFS sink细说
bit1129
Flume
1. Flume配置
a1.sources=r1
a1.channels=c1
a1.sinks=k1
###Flume负责启动44444端口
a1.sources.r1.type=avro
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=44444
a1.sources.r1.chan
- The Eight Myths of Erlang Performance
bookjovi
erlang
erlang有一篇guide很有意思: http://www.erlang.org/doc/efficiency_guide
里面有个The Eight Myths of Erlang Performance: http://www.erlang.org/doc/efficiency_guide/myths.html
Myth: Funs are sl
- java多线程网络传输文件(非同步)-2008-08-17
ljy325
java多线程socket
利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送;服务器接收文件并保存到本地文件系统中。
使用说明:请将TransferClient, TransferServer, TempFile三个类编译,他们的类包是FileServer.
客户端:
修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
- 读《研磨设计模式》-代码笔记-模板方法模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
- 配置心得
chenyu19891124
配置
时间就这样不知不觉的走过了一个春夏秋冬,转眼间来公司已经一年了,感觉时间过的很快,时间老人总是这样不停走,从来没停歇过。
作为一名新手的配置管理员,刚开始真的是对配置管理是一点不懂,就只听说咱们公司配置主要是负责升级,而具体该怎么做却一点都不了解。经过老员工的一点点讲解,慢慢的对配置有了初步了解,对自己所在的岗位也慢慢的了解。
做了一年的配置管理给自总结下:
1.改变
从一个以前对配置毫无
- 对“带条件选择的并行汇聚路由问题”的再思考
comsci
算法工作软件测试嵌入式领域模型
2008年上半年,我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候,由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文),当时对这个问题的解决办法是采用基于拓扑结构的处理思想,对汇聚点的实际前驱分支节点通过算法预测出来,然后进行处理,简单的说就是找到造成这个汇聚模型的分支起点,对这个起始分支节点实际走的路径数进行计算,然后把这个实际
- Oracle 10g 的clusterware 32位 下载地址
daizj
oracle
Oracle 10g 的clusterware 32位 下载地址
http://pan.baidu.com/share/link?shareid=531580&uk=421021908
http://pan.baidu.com/share/link?shareid=137223&uk=321552738
http://pan.baidu.com/share/l
- 非常好的介绍:Linux定时执行工具cron
dongwei_6688
linux
Linux经过十多年的发展,很多用户都很了解Linux了,这里介绍一下Linux下cron的理解,和大家讨论讨论。cron是一个Linux 定时执行工具,可以在无需人工干预的情况下运行作业,本文档不讲cron实现原理,主要讲一下Linux定时执行工具cron的具体使用及简单介绍。
新增调度任务推荐使用crontab -e命令添加自定义的任务(编辑的是/var/spool/cron下对应用户的cr
- Yii assets目录生成及修改
dcj3sjt126com
yii
assets的作用是方便模块化,插件化的,一般来说出于安全原因不允许通过url访问protected下面的文件,但是我们又希望将module单独出来,所以需要使用发布,即将一个目录下的文件复制一份到assets下面方便通过url访问。
assets设置对应的方法位置 \framework\web\CAssetManager.php
assets配置方法 在m
- mac工作软件推荐
dcj3sjt126com
mac
mac上的Terminal + bash + screen组合现在已经非常好用了,但是还是经不起iterm+zsh+tmux的冲击。在同事的强烈推荐下,趁着升级mac系统的机会,顺便也切换到iterm+zsh+tmux的环境下了。
我为什么要要iterm2
切换过来也是脑袋一热的冲动,我也调查过一些资料,看了下iterm的一些优点:
* 兼容性好,远程服务器 vi 什么的低版本能很好兼
- Memcached(三)、封装Memcached和Ehcache
frank1234
memcachedehcachespring ioc
本文对Ehcache和Memcached进行了简单的封装,这样对于客户端程序无需了解ehcache和memcached的差异,仅需要配置缓存的Provider类就可以在二者之间进行切换,Provider实现类通过Spring IoC注入。
cache.xml
<?xml version="1.0" encoding="UTF-8"?>
- Remove Duplicates from Sorted List II
hcx2013
remove
Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list.
For example,Given 1->2->3->3->4->4->5,
- Spring4新特性——注解、脚本、任务、MVC等其他特性改进
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- MySQL安装文档
liyong0802
mysql
工作中用到的MySQL可能安装在两种操作系统中,即Windows系统和Linux系统。以Linux系统中情况居多。
安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即,这里就不具体介绍,本文档只介绍Linux系统下MySQL的安装步骤。
Linux系统下安装MySQL分为三种:RPM包安装、二进制包安装和源码包安装。二
- 使用VS2010构建HotSpot工程
p2p2500
HotSpotOpenJDKVS2010
1. 下载OpenJDK7的源码:
http://download.java.net/openjdk/jdk7
http://download.java.net/openjdk/
2. 环境配置
▶
- Oracle实用功能之分组后列合并
seandeng888
oracle分组实用功能合并
1 实例解析
由于业务需求需要对表中的数据进行分组后进行合并的处理,鉴于Oracle10g没有现成的函数实现该功能,且该功能如若用JAVA代码实现会比较复杂,因此,特将SQL语言的实现方式分享出来,希望对大家有所帮助。如下:
表test 数据如下:
ID,SUBJECTCODE,DIMCODE,VALUE
1&nbs
- Java定时任务注解方式实现
tuoni
javaspringjvmxmljni
Spring 注解的定时任务,有如下两种方式:
第一种:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http
- 11大Java开源中文分词器的使用方法和分词效果对比
yangshangchuan
word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
本文的目标有两个:
1、学会使用11大Java开源中文分词器
2、对比分析11大Java开源中文分词器的分词效果
本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码,至于效果哪个好,那要用的人结合自己的应用场景自己来判断。
11大Java开源中文分词器,不同的分词器有不同的用法,定义的接口也不一样,我们先定义一个统一的接口:
/**
* 获取文本的所有分词结果, 对比