- 《模式识别与机器学习》第一章
CS_Zero
机器学习人工智能
C1符号含义x\boldxx:向量,曲线拟合问题中的x坐标数值序列。元素个数为N。t\boldtt:向量,曲线拟合问题中的y坐标(target)数值序列。w\boldww:向量,曲线拟合问题中的待估计的参数,即M阶多项式的各阶系数。β\betaβ:标量,协方差的倒数,表示样本的精度。α\alphaα:标量,同上,曲线拟合例子中的先验的精度。多项式曲线拟合E(w)=12∑n=1N{y(xn,w)−t
- 【课程作业_01】国科大2023模式识别与机器学习实践作业
lzl2040
我的笔记python机器学习数据集人工智能
国科大2023模式识别与机器学习实践作业作业内容从四类方法中选三类方法,从选定的每类方法中,各选一种具体的方法,从给定的数据集中选一个数据集(MNIST,CIFAR-10,电信用户流失数据集)对这三种方法进行测试比较。第一类方法::线性方法:线性SVM、LogisticRegression第二类方法:非线性方法:KernelSVM,决策树第三类方法:集成学习:Bagging,Boosting第四类
- 模式识别与机器学习—PCA分析
在下雨599
模式识别复习机器学习人工智能
主成分分析将高维空间线性投影到一个低维空间,希望在这个低维空间能够表征高维空间中的绝大部分信息,即信息损失最小。关键:找到投影方向补充知识:主成分分析(PCA)目标函数1:最小化重建误差主成分分析(PCA)目标函数2:最大投影后的方差
- 国科大模式识别与机器学习2015-2019、2021仅考题
智商欠费,不死也废
期末机器学习人工智能
2015(8)试描述线性判别函数的基本概念,并说明既然有线性判别函,为什么还需要非线性判别函数?假设有两种模式,每类包括6个4维不同的模式,且良好分布。如果他们是线性可分的。问权向量至少需要几个系数分量?假如要建立额尔茨的多项式判别函数,又至少需要几个系数分量?(设模式的良好分布不因模式变化而改变)(8分)简述偏差方差分解及其推导过程,并说明偏差、方差、噪声三部分的内在含义。(8分)试描述用EM算
- 模式识别与机器学习-半监督学习
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-半监督学习半监督学习半监督学习的三个假设半监督学习算法自学习算法自学习的步骤:自学习的优缺点:优点:缺点:协同训练多视角学习生成模型半监督SVM谨以此博客作为复习期间的记录半监督学习半监督学习(Semi-SupervisedLearning)是机器学习的一种范式,它利用同时包含标记(有标签)和未标记(无标签)数据的数据集来进行模型训练。相比于监督学习和无监督学习,半监督学习尝试
- 模式识别与机器学习-概率图模型
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-概率图模型概率图模型三大基本问题表示推断学习有向概率图模型例子三种经典的图HMMViterbi算法谨以此博客作为复习期间的记录概率图模型三大基本问题概率图模型通常涉及三个基本问题,即表示(Representation)、推断(Inference)和学习(Learning)。这三个问题是概率图模型中关键的核心概念。表示(Representation):表示问题涉及选择合适的图结构
- 模式识别与机器学习-集成学习
Kilig*
机器学习机器学习集成学习人工智能
集成学习集成学习思想过拟合与欠拟合判断方法K折交叉验证BootstrapBagging随机森林的特点和工作原理:BoostingAdaBoost工作原理:AdaBoost的特点和优点:AdaBoost的缺点:GradientBoosting工作原理:GradientBoosting的特点和优点:GradientBoosting的变种:Bagging和Boosting算法比较Bagging(Boot
- 模式识别与机器学习-无监督学习-降维
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-无监督学习-降维为什么要降维维度选择手工移除特征过滤式选择包裹式选择嵌入式选择维度抽取(线性模型)MDSPCA目标1:最小重构误差目标2:最大投影方差SVD思考:为什么保留特征值大的?维度抽取(非线性模型)KPCA流形学习ISOMAP优点:缺点:LLET-SNE谨以此博客作为复习期间的记录为什么要降维消除冗余信息和噪声:原始数据集可能包含大量冗余特征或噪声,这些特征可能对模型训
- 模式识别与机器学习-SVM(带软间隔的支持向量机)
Kilig*
机器学习支持向量机机器学习算法
SVM(带软间隔的支持向量机)软间隔思想的由来软间隔的引入谨以此博客作为复习期间的记录。软间隔思想的由来在上一篇博客中,回顾了线性可分的支持向量机,但在实际情况中,很少有完全线性可分的情况,大部分线性可分的情况都是整体线性可分,个别样本点无法线性分割开。因此就要避免这极个别样本点对分割平面产生的影响。线性可分支持向量机软间隔的引入在分类过程中,允许极个别数据点“越界”,如何在目标函数中体现这一点呢
- 模式识别与机器学习-无监督学习-聚类
Kilig*
机器学习机器学习学习聚类
无监督学习-聚类监督学习&无监督学习K-meansK-means聚类的优点:K-means的局限性:解决方案:高斯混合模型(GaussianMixtureModels,GMM)多维高斯分布的概率密度函数:高斯混合模型(GaussianMixtureModel,GMM)模型形式:EM算法迭代过程:K-means与高斯混合模型(GMM)的对比:K-means:高斯混合模型(GMM):高斯混合模型(GM
- 模式识别与机器学习-SVM(线性支持向量机)
Kilig*
机器学习支持向量机机器学习算法
线性支持向量机线性支持向量机间隔距离学习的对偶算法算法:线性可分支持向量机学习算法线性可分支持向量机例子谨以此博客作为复习期间的记录线性支持向量机在以上四条线中,都可以作为分割平面,误差率也都为0。但是那个分割平面效果更好呢?其实可以看出,黑色的线具有更好的性质,因为如果将黑色的线作为分割平面,将会有更大的间隔距离。其中,分割平面可以用以下式子表示:wx+b=0wx+b=0wx+b=0w和bw\t
- 模式识别与机器学习-SVM(核方法)
Kilig*
机器学习机器学习支持向量机人工智能
SVM(核方法)核方法核技巧在SVM中的应用谨以此博客作为复习期间的记录核方法对解线性分类问题,线性分类支持向量机是一种非常有效的方法.但是,有时分类问题是非线性的,这时可以使用非线性支持向量机,核心思想是通过核方法将低维非线性可分数据转化为高维线性可分数据。非线性问题往往不好求解,所以希望能用解线性分类问题的方法解决这个问题.所采取的方法是进行一个非线性变换,将非线性问题变换为线性问题,通过解变
- 模式识别与机器学习第一章
露(^_^)
模式识别与机器学习python
一、模式的概念广义:存在于时间和空间中可观察的物体。如果可以区别它们是否相同或是否相似,都可以称之为模式。狭义:模式所指的不是事物本身,而是从事物获得的信息,模式往往表现为具有时间和空间分布的信息。模式的直观特性:可观察性、可区分性、相似性。二、模式识别的概念模式识别:直观,无所不在,“人以类聚,物以群分”。目的:利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符
- 模式识别与机器学习(十二):Stacking
从零开始的奋豆
模式识别与机器学习机器学习人工智能
原理在本次实验中以决策树、svm和随机森林为基学习器,以决策树为元学习器。Stacking的做法是首先构建多个不同类型的一级学习器,并使用他们来得到一级预测结果,然后基于这些一级预测结果,构建一个二级学习器,来得到最终的预测结果。Stacking的动机可以描述为:如果某个一级学习器错误地学习了特征空间的某个区域,那么二级学习器通过结合其他一级学习器的学习行为,可以适当纠正这种错误。具体步骤如下图所
- 模式识别与机器学习(十二):随机森林
从零开始的奋豆
模式识别与机器学习机器学习随机森林人工智能
原理随机森林(RandomForest,RF)是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上,在决策树的训练过程中引入随机属性选择。训练每颗决策树时随机选出部分特征作为输入,所以该算法被称为随机森林算法。在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集(假定有d个属性),然后再从这个子集中选择一个最优属性用于划分。参数k控
- 模式识别与机器学习-特征选择和提取
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-特征选择和提取特征选择一些距离测度公式独立特征的选择准则一般特征的散布矩阵准则离散K-L变换谨以此博客作为复习期间的记录。常见分类问题的流程,数据预处理和特征选择提取时机器学习环节中最重要的两个流程。这两个环节直接决定了最终性能的上下限,本部分记录一下特征提取和选择部分(特征工程)特征选择可以表示为:从一个包含n个度量值的集合{x1,x2,…,xn}\{x_1,x_2,\dot
- 模式识别与机器学习第三章
露(^_^)
模式识别与机器学习python
一、线性判别函数1.两类问题的判别函数若这些属于ω1和ω2两类的模式可用一个直线方程d(x)=0来划分,d(x)=w1x1+w2x2+w3=0d(x)称为两类模式的判别函数;d(x)=0称为决策面/判别界面方程。用判别函数进行模式分类依赖的两个因素:(1)判别函数的几何性质:线性的和非线性的函数。(2)判别函数的系数:判别函数的形式确定后,主要就是确定判别函数的系数问题。2.n维线性判别函数的一般
- 【模式识别与机器学习】——2.2正态分布模式的贝叶斯分类器
weixin_30421809
人工智能
出发点:当已知或者有理由设想类概率密度函数P(x|ωi)是多变量的正态分布时,上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。由于正态密度函数易于分析,且对许多重要的实际应用又是一种合适的模型,因此受到很大的重视。(贝叶斯分类规则是基于统计概念的。如果只有少数模式样本,一般较难获得最优的结果)正态分布模式的贝叶斯判别函数具有M种模式类别的多变量正态类密度函数为:其中,每一类模式的分布密度都完全
- 模式识别与机器学习-判别式分类器
Kilig*
机器学习人工智能
模式识别与机器学习-判别式分类器生成式模型和判别式模型的区别线性判别函数多分类情况多分类情况1多分类情况2多分类情况3例题广义线性判别函数实例分段线性判别函数Fisher线性判别感知机算法例:感知机多类别分类谨以此博客作为学习期间的记录生成式模型和判别式模型的区别生成式模型关注如何生成整个数据的分布,而判别式模型则专注于学习如何根据给定输入预测输出标签或数值。在实践中多数判别式模型要优于生成式模型
- 模式识别与机器学习(十一):Bagging
从零开始的奋豆
模式识别与机器学习机器学习
1.原理Bagging[Breiman,1996a]是井行式集成学习方法最著名的代表.从名字即可看出,它直接基于自助采样法(bootstrapsampling)。给定包含m个样本的数据集,我们先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,这样,经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的则从未出现,初
- 模式识别与机器学习(十):梯度提升树
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:fM(x)=∑m=1MT(x;θm)f_M(x)=\sum_{m=1}^MT(x;\theta_m)fM(x)=m=1∑MT(x;θm)其中,T(x;θm)T(x;\
- 模式识别与机器学习(九):Adaboost
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理AdaBoost是AdaptiveBoosting(自适应增强)的缩写,它的自适应在于:被前一个基本分类器误分类的样本的权值会增大,而正确分类的样本的权值会减小,并再次用来训练下一个基本分类器。同时,在每一轮迭代中,加入一个新的弱分类器,直到达到某个预定的足够小的错误率或预先指定的最大迭代次数再确定最后的强分类器。1.算法步骤首先,是初始化训练数据的权值分布D1。假设有N个训练样本数据,则
- 模式识别与机器学习(八):决策树
从零开始的奋豆
模式识别与机器学习机器学习决策树人工智能
1.原理决策树(DecisionTree),它是一种以树形数据结构来展示决策规则和分类结果的模型,作为一种归纳学习算法,其重点是将看似无序、杂乱的已知数据,通过某种技术手段将它们转化成可以预测未知数据的树状模型,每一条从根结点(对最终分类结果贡献最大的属性)到叶子结点(最终分类结果)的路径都代表一条决策的规则。一般,一棵决策树包含一个根节点,若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他
- 模式识别与机器学习(七):集成学习
从零开始的奋豆
模式识别与机器学习机器学习集成学习人工智能
集成学习1.概念1.1类型1.2集成策略1.3优势2.代码实例2.1boosting2.2bagging2.3集成1.概念集成学习是一种机器学习方法,旨在通过组合多个个体学习器的预测结果来提高整体的预测性能。它通过将多个弱学习器(个体学习器)组合成一个强学习器,以获得更准确、更稳定的预测结果。在集成学习中,个体学习器可以是同质的(使用相同的学习算法,但在不同的训练集上训练)或异质的(使用不同的学习
- 图像形状及数量识别(matlab实现)
一寸光阴不可轻
matlab计算机视觉图像处理
米粒形状识别文章目录米粒形状识别概述一、图像处理1.图像去噪2.图像锐化3.边缘提取4.特征匹配二、matlab实现三、总程序代码结语概述基于视觉的沙粒形状识别系统模型需要借助计算机对特征的信息处理和分析,实现像人一样的智能识别,所以通常模式识别与机器学习存在着一定的联系。机器识别技术的实现主要分为以下几个步骤:(1)获取图像数据。(2)数据预处理。(3)图像特征提取。(4)设置分类器完成分类。基
- 模式识别与机器学习(六):数据降维
从零开始的奋豆
模式识别与机器学习matlab算法机器学习
1.数据降维数据降维有很多种,这里我们列出几个较为简单的2.PCAPCA是一种基于从高维空间映射到低维空间的映射方法,也是最基础的无监督降维算法,其目标是向数据变化最大的方向投影,或者说向重构误差最小化的方向投影。它由KarlPearson在1901年提出,属于线性降维方法。与PCA相关的原理通常被称为最大方差理论或最小误差理论。这两者目标一致,但过程侧重点则不同。求中心化后样本矩阵的协方差。求协
- 模式识别与机器学习(二):贝叶斯分类matlab实现
从零开始的奋豆
模式识别与机器学习分类人工智能数据挖掘
一.最小错误率step1:估计分类样本的各个属性的概率分布step2:估计先验概率step3:估计属于该类别的概率并取最大值这里以正态分布为例clc;clear;%风险表f=ones(4,4);%读数据X=xlsread('数据.xls');x=X(1:15,2:end);x_test=X(16:end,2:4);x1=x(find(x(:,4)==1),1:3);[n1,~]=size(x1);
- 推荐几本机器学习的书籍
古斯塔夫歼星炮
机器学习人工智能深度学习python开发语言
推荐几本机器学习的书籍:《机器学习》(TomM.Mitchell)、《统计学习方法》(李航)、《深度学习》(IanGoodfellow、YoshuaBengio和AaronCourville)、《模式识别与机器学习》(ChristopherM.Bishop)。
- 模式识别与机器学习(一)——引言
谢欣燕
笔记机器学习模式识别
1.1基本概念模式识别:从数据中识别或发现规律,并加以有效使用。为了进行模式识别,往往要借助计算设备进行编程实现和决策执行,这种设备即机器。机器学习:从计算设备的角度出发,是指机器从不具备某方面能力到具备次能力的学习过程,即发现数据中的规律并加以使用的能力。1.1.1投票选举近邻法集成学习主动学习1.2典型的机器学习系统1.2.1医学图像诊断病理图像:高倍显微镜下看到的将人体组织做成病理切片后的图
- 模式识别与机器学习·第二章——统计判别
谷雨·清明
UCAS模式识别与机器学习模式识别机器学习贝叶斯
模式识别与机器学习·第二章——统计判别统计判别的意义贝叶斯判别贝叶斯最小风险判别两类(M=2)情况的贝叶斯最小风险判别多类(M类)情况的贝叶斯最小风险判别正态分布模式的贝叶斯分类器统计判别的意义模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量,构成特征向量,并将其作为某一个判决规则的输入,按此规则来对样本进行分类。在获取模式的观测值时,有些事物具有确定的
- java类加载顺序
3213213333332132
java
package com.demo;
/**
* @Description 类加载顺序
* @author FuJianyong
* 2015-2-6上午11:21:37
*/
public class ClassLoaderSequence {
String s1 = "成员属性";
static String s2 = "
- Hibernate与mybitas的比较
BlueSkator
sqlHibernate框架ibatisorm
第一章 Hibernate与MyBatis
Hibernate 是当前最流行的O/R mapping框架,它出身于sf.net,现在已经成为Jboss的一部分。 Mybatis 是另外一种优秀的O/R mapping框架。目前属于apache的一个子项目。
MyBatis 参考资料官网:http:
- php多维数组排序以及实际工作中的应用
dcj3sjt126com
PHPusortuasort
自定义排序函数返回false或负数意味着第一个参数应该排在第二个参数的前面, 正数或true反之, 0相等usort不保存键名uasort 键名会保存下来uksort 排序是对键名进行的
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8&q
- DOM改变字体大小
周华华
前端
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml&q
- c3p0的配置
g21121
c3p0
c3p0是一个开源的JDBC连接池,它实现了数据源和JNDI绑定,支持JDBC3规范和JDBC2的标准扩展。c3p0的下载地址是:http://sourceforge.net/projects/c3p0/这里可以下载到c3p0最新版本。
以在spring中配置dataSource为例:
<!-- spring加载资源文件 -->
<bean name="prope
- Java获取工程路径的几种方法
510888780
java
第一种:
File f = new File(this.getClass().getResource("/").getPath());
System.out.println(f);
结果:
C:\Documents%20and%20Settings\Administrator\workspace\projectName\bin
获取当前类的所在工程路径;
如果不加“
- 在类Unix系统下实现SSH免密码登录服务器
Harry642
免密ssh
1.客户机
(1)执行ssh-keygen -t rsa -C "
[email protected]"生成公钥,xxx为自定义大email地址
(2)执行scp ~/.ssh/id_rsa.pub root@xxxxxxxxx:/tmp将公钥拷贝到服务器上,xxx为服务器地址
(3)执行cat
- Java新手入门的30个基本概念一
aijuans
javajava 入门新手
在我们学习Java的过程中,掌握其中的基本概念对我们的学习无论是J2SE,J2EE,J2ME都是很重要的,J2SE是Java的基础,所以有必要对其中的基本概念做以归纳,以便大家在以后的学习过程中更好的理解java的精髓,在此我总结了30条基本的概念。 Java概述: 目前Java主要应用于中间件的开发(middleware)---处理客户机于服务器之间的通信技术,早期的实践证明,Java不适合
- Memcached for windows 简单介绍
antlove
javaWebwindowscachememcached
1. 安装memcached server
a. 下载memcached-1.2.6-win32-bin.zip
b. 解压缩,dos 窗口切换到 memcached.exe所在目录,运行memcached.exe -d install
c.启动memcached Server,直接在dos窗口键入 net start "memcached Server&quo
- 数据库对象的视图和索引
百合不是茶
索引oeacle数据库视图
视图
视图是从一个表或视图导出的表,也可以是从多个表或视图导出的表。视图是一个虚表,数据库不对视图所对应的数据进行实际存储,只存储视图的定义,对视图的数据进行操作时,只能将字段定义为视图,不能将具体的数据定义为视图
为什么oracle需要视图;
&
- Mockito(一) --入门篇
bijian1013
持续集成mockito单元测试
Mockito是一个针对Java的mocking框架,它与EasyMock和jMock很相似,但是通过在执行后校验什么已经被调用,它消除了对期望 行为(expectations)的需要。其它的mocking库需要你在执行前记录期望行为(expectations),而这导致了丑陋的初始化代码。
&nb
- 精通Oracle10编程SQL(5)SQL函数
bijian1013
oracle数据库plsql
/*
* SQL函数
*/
--数字函数
--ABS(n):返回数字n的绝对值
declare
v_abs number(6,2);
begin
v_abs:=abs(&no);
dbms_output.put_line('绝对值:'||v_abs);
end;
--ACOS(n):返回数字n的反余弦值,输入值的范围是-1~1,输出值的单位为弧度
- 【Log4j一】Log4j总体介绍
bit1129
log4j
Log4j组件:Logger、Appender、Layout
Log4j核心包含三个组件:logger、appender和layout。这三个组件协作提供日志功能:
日志的输出目标
日志的输出格式
日志的输出级别(是否抑制日志的输出)
logger继承特性
A logger is said to be an ancestor of anothe
- Java IO笔记
白糖_
java
public static void main(String[] args) throws IOException {
//输入流
InputStream in = Test.class.getResourceAsStream("/test");
InputStreamReader isr = new InputStreamReader(in);
Bu
- Docker 监控
ronin47
docker监控
目前项目内部署了docker,于是涉及到关于监控的事情,参考一些经典实例以及一些自己的想法,总结一下思路。 1、关于监控的内容 监控宿主机本身
监控宿主机本身还是比较简单的,同其他服务器监控类似,对cpu、network、io、disk等做通用的检查,这里不再细说。
额外的,因为是docker的
- java-顺时针打印图形
bylijinnan
java
一个画图程序 要求打印出:
1.int i=5;
2.1 2 3 4 5
3.16 17 18 19 6
4.15 24 25 20 7
5.14 23 22 21 8
6.13 12 11 10 9
7.
8.int i=6
9.1 2 3 4 5 6
10.20 21 22 23 24 7
11.19
- 关于iReport汉化版强制使用英文的配置方法
Kai_Ge
iReport汉化英文版
对于那些具有强迫症的工程师来说,软件汉化固然好用,但是汉化不完整却极为头疼,本方法针对iReport汉化不完整的情况,强制使用英文版,方法如下:
在 iReport 安装路径下的 etc/ireport.conf 里增加红色部分启动参数,即可变为英文版。
# ${HOME} will be replaced by user home directory accordin
- [并行计算]论宇宙的可计算性
comsci
并行计算
现在我们知道,一个涡旋系统具有并行计算能力.按照自然运动理论,这个系统也同时具有存储能力,同时具备计算和存储能力的系统,在某种条件下一般都会产生意识......
那么,这种概念让我们推论出一个结论
&nb
- 用OpenGL实现无限循环的coverflow
dai_lm
androidcoverflow
网上找了很久,都是用Gallery实现的,效果不是很满意,结果发现这个用OpenGL实现的,稍微修改了一下源码,实现了无限循环功能
源码地址:
https://github.com/jackfengji/glcoverflow
public class CoverFlowOpenGL extends GLSurfaceView implements
GLSurfaceV
- JAVA数据计算的几个解决方案1
datamachine
javaHibernate计算
老大丢过来的软件跑了10天,摸到点门道,正好跟以前攒的私房有关联,整理存档。
-----------------------------华丽的分割线-------------------------------------
数据计算层是指介于数据存储和应用程序之间,负责计算数据存储层的数据,并将计算结果返回应用程序的层次。J
&nbs
- 简单的用户授权系统,利用给user表添加一个字段标识管理员的方式
dcj3sjt126com
yii
怎么创建一个简单的(非 RBAC)用户授权系统
通过查看论坛,我发现这是一个常见的问题,所以我决定写这篇文章。
本文只包括授权系统.假设你已经知道怎么创建身份验证系统(登录)。 数据库
首先在 user 表创建一个新的字段(integer 类型),字段名 'accessLevel',它定义了用户的访问权限 扩展 CWebUser 类
在配置文件(一般为 protecte
- 未选之路
dcj3sjt126com
诗
作者:罗伯特*费罗斯特
黄色的树林里分出两条路,
可惜我不能同时去涉足,
我在那路口久久伫立,
我向着一条路极目望去,
直到它消失在丛林深处.
但我却选了另外一条路,
它荒草萋萋,十分幽寂;
显得更诱人,更美丽,
虽然在这两条小路上,
都很少留下旅人的足迹.
那天清晨落叶满地,
两条路都未见脚印痕迹.
呵,留下一条路等改日再
- Java处理15位身份证变18位
蕃薯耀
18位身份证变15位15位身份证变18位身份证转换
15位身份证变18位,18位身份证变15位
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 201
- SpringMVC4零配置--应用上下文配置【AppConfig】
hanqunfeng
springmvc4
从spring3.0开始,Spring将JavaConfig整合到核心模块,普通的POJO只需要标注@Configuration注解,就可以成为spring配置类,并通过在方法上标注@Bean注解的方式注入bean。
Xml配置和Java类配置对比如下:
applicationContext-AppConfig.xml
<!-- 激活自动代理功能 参看:
- Android中webview跟JAVASCRIPT中的交互
jackyrong
JavaScripthtmlandroid脚本
在android的应用程序中,可以直接调用webview中的javascript代码,而webview中的javascript代码,也可以去调用ANDROID应用程序(也就是JAVA部分的代码).下面举例说明之:
1 JAVASCRIPT脚本调用android程序
要在webview中,调用addJavascriptInterface(OBJ,int
- 8个最佳Web开发资源推荐
lampcy
编程Web程序员
Web开发对程序员来说是一项较为复杂的工作,程序员需要快速地满足用户需求。如今很多的在线资源可以给程序员提供帮助,比如指导手册、在线课程和一些参考资料,而且这些资源基本都是免费和适合初学者的。无论你是需要选择一门新的编程语言,或是了解最新的标准,还是需要从其他地方找到一些灵感,我们这里为你整理了一些很好的Web开发资源,帮助你更成功地进行Web开发。
这里列出10个最佳Web开发资源,它们都是受
- 架构师之面试------jdk的hashMap实现
nannan408
HashMap
1.前言。
如题。
2.详述。
(1)hashMap算法就是数组链表。数组存放的元素是键值对。jdk通过移位算法(其实也就是简单的加乘算法),如下代码来生成数组下标(生成后indexFor一下就成下标了)。
static int hash(int h)
{
h ^= (h >>> 20) ^ (h >>>
- html禁止清除input文本输入缓存
Rainbow702
html缓存input输入框change
多数浏览器默认会缓存input的值,只有使用ctl+F5强制刷新的才可以清除缓存记录。
如果不想让浏览器缓存input的值,有2种方法:
方法一: 在不想使用缓存的input中添加 autocomplete="off";
<input type="text" autocomplete="off" n
- POJO和JavaBean的区别和联系
tjmljw
POJOjava beans
POJO 和JavaBean是我们常见的两个关键字,一般容易混淆,POJO全称是Plain Ordinary Java Object / Pure Old Java Object,中文可以翻译成:普通Java类,具有一部分getter/setter方法的那种类就可以称作POJO,但是JavaBean则比 POJO复杂很多, Java Bean 是可复用的组件,对 Java Bean 并没有严格的规
- java中单例的五种写法
liuxiaoling
java单例
/**
* 单例模式的五种写法:
* 1、懒汉
* 2、恶汉
* 3、静态内部类
* 4、枚举
* 5、双重校验锁
*/
/**
* 五、 双重校验锁,在当前的内存模型中无效
*/
class LockSingleton
{
private volatile static LockSingleton singleton;
pri