webzhuce
webzhuce

雅可比(Jacobi)计算特征值和特征向量

雅可比迭代法法

在图形图像中很多地方用到求矩阵的特征值和特征向量，比如主成分分析、OBB包围盒等。编程时一般都是用数值分析的方法来计算，这里介绍一下雅可比迭代法求解特征值和特征向量。雅可比迭代法的原理，网上资料很多，详细可见参考资料1。这里我们简单介绍求解矩阵S特征值和特征向量的步骤：

  1. 初始化特征向量为对角阵V，即主对角线的元素都是1.其他元素为0。
  2. 在S的非主对角线元素中，找到绝对值最大元素 Sij。
  3. 用下 式计算tan2θ，求 cosθ、sinθ 及旋转矩阵Gij 。
    在这里插入图片描述
  4. 用下面公式求S‘；用当前特征向量矩阵V乘以矩阵Gij得到当前的特征向量V。
    雅可比(Jacobi)计算特征值和特征向量_第1张图片
  5. 若当前迭代前的矩阵A的非主对角线元素中最大值小于给定的阈值e时，停止计算；否则, 令S =S‘, 重复执行(2) ~ (5)。 停止计算时，得到特征值 li≈(S‘) ij ，i,j= 1,2,…,n.以及特征向量V。
  6. 这一步可选。根据特征值的大小从大到小的顺序重新排列矩阵的特征值和特征向量。

代码实现

用C++实现，并与参考资料1示例对比。

#include 
#include 
#include
#include 
using namespace std;

/**
* @brief                        Jacobi eigenvalue algorithm
* @param matrix				    n*n array
* @param dim					dim represent n
* @param eigenvectors			n*n array
* @param eigenvalues			n*1 array
* @param precision   			precision requirements
* @param max					max number of iterations
* @return
*/
bool Jacobi(double* matrix, int dim, double* eigenvectors, double* eigenvalues, double precision, int max)
{
	for (int i = 0; i < dim; i++) {
		eigenvectors[i*dim + i] = 1.0f;
		for (int j = 0; j < dim; j++) {
			if (i != j)
				eigenvectors[i*dim + j] = 0.0f;
		}
	}

	int nCount = 0;		//current iteration
	while (1) {
		//find the largest element on the off-diagonal line of the matrix
		double dbMax = matrix[1];
		int nRow = 0;
		int nCol = 1;
		for (int i = 0; i < dim; i++) {			//row
			for (int j = 0; j < dim; j++) {		//column
				double d = fabs(matrix[i*dim + j]);
				if ((i != j) && (d > dbMax)) {
					dbMax = d;
					nRow = i;
					nCol = j;
				}
			}
		}

		if (dbMax < precision)     //precision check 
			break;
		if (nCount > max)       //iterations check
			break;
		nCount++;

		double dbApp = matrix[nRow*dim + nRow];
		double dbApq = matrix[nRow*dim + nCol];
		double dbAqq = matrix[nCol*dim + nCol];
		//compute rotate angle
		double dbAngle = 0.5*atan2(-2 * dbApq, dbAqq - dbApp);
		double dbSinTheta = sin(dbAngle);
		double dbCosTheta = cos(dbAngle);
		double dbSin2Theta = sin(2 * dbAngle);
		double dbCos2Theta = cos(2 * dbAngle);
		matrix[nRow*dim + nRow] = dbApp*dbCosTheta*dbCosTheta +
			dbAqq*dbSinTheta*dbSinTheta + 2 * dbApq*dbCosTheta*dbSinTheta;
		matrix[nCol*dim + nCol] = dbApp*dbSinTheta*dbSinTheta +
			dbAqq*dbCosTheta*dbCosTheta - 2 * dbApq*dbCosTheta*dbSinTheta;
		matrix[nRow*dim + nCol] = 0.5*(dbAqq - dbApp)*dbSin2Theta + dbApq*dbCos2Theta;
		matrix[nCol*dim + nRow] = matrix[nRow*dim + nCol];

		for (int i = 0; i < dim; i++) {
			if ((i != nCol) && (i != nRow)) {
				int u = i*dim + nRow;	//p  
				int w = i*dim + nCol;	//q
				dbMax = matrix[u];
				matrix[u] = matrix[w] * dbSinTheta + dbMax*dbCosTheta;
				matrix[w] = matrix[w] * dbCosTheta - dbMax*dbSinTheta;
			}
		}

		for (int j = 0; j < dim; j++) {
			if ((j != nCol) && (j != nRow)) {
				int u = nRow*dim + j;	//p
				int w = nCol*dim + j;	//q
				dbMax = matrix[u];
				matrix[u] = matrix[w] * dbSinTheta + dbMax*dbCosTheta;
				matrix[w] = matrix[w] * dbCosTheta - dbMax*dbSinTheta;
			}
		}

		//compute eigenvector
		for (int i = 0; i < dim; i++) {
			int u = i*dim + nRow;		//p   
			int w = i*dim + nCol;		//q
			dbMax = eigenvectors[u];
			eigenvectors[u] = eigenvectors[w] * dbSinTheta + dbMax*dbCosTheta;
			eigenvectors[w] = eigenvectors[w] * dbCosTheta - dbMax*dbSinTheta;
		}
	}

	//sort eigenvalues
	std::map mapEigen;
	for (int i = 0; i < dim; i++) {
		eigenvalues[i] = matrix[i*dim + i];
		mapEigen.insert(make_pair(eigenvalues[i], i));
	}

	double *pdbTmpVec = new double[dim*dim];
	std::map::reverse_iterator iter = mapEigen.rbegin();
	for (int j = 0; iter != mapEigen.rend(), j < dim; ++iter, ++j)	{
		for (int i = 0; i < dim; i++) {
			pdbTmpVec[i*dim + j] = eigenvectors[i*dim + iter->second];
		}
		eigenvalues[j] = iter->first;
	}

	for (int i = 0; i < dim; i++) {
		double dSumVec = 0;
		for (int j = 0; j < dim; j++)
			dSumVec += pdbTmpVec[j * dim + i];
		if (dSumVec < 0) {
			for (int j = 0; j < dim; j++)
				pdbTmpVec[j * dim + i] *= -1;
		}
	}
	memcpy(eigenvectors, pdbTmpVec, sizeof(double)*dim*dim);
	delete[]pdbTmpVec;
	return true;
}


int main()
{
	double a[4][4] = { {4, -30, 60, -35}, {-30, 300, -675, 420},{ 60, -675, 1620, -1050},{ -35, 420, -1050, 700}};
	int n = 4;
	double eps = 1e-10;
	int T = 10000;
	double p[4][4] = { 0 };
	double v[4] = { 0 };
	bool re = Jacobi(&a[0][0], n, &p[0][0], v, eps, T);
	if (re)	{
		cout << "Matrix:" << endl;
		for (int i = 0; i < n; i++)	{
			for (int j = 0; j < n; j++)
				cout << setw(15) << a[i][j];
			cout << endl;
		}
		cout << "eigenvectors:" << endl;
		for (int i = 0; i < n; i++)	{
			for (int j = 0; j < n; j++)
				cout << setw(15) << p[i][j];
			cout << endl;
		}
		cout << "eigenvalues:" << endl;
		for (int i = 0; i < n; i++)	{
				cout << setw(15) << v[i];
			cout << endl;
		}
	}
	else
		cout << "false" << endl;
	system("pause");
}

运行结果：

雅可比(Jacobi)计算特征值和特征向量_第2张图片

参考资料1示例结果：

雅可比(Jacobi)计算特征值和特征向量_第3张图片

参考资料

【Jacobi eigenvalue algorithm】https://en.wikipedia.org/wiki/Jacobi_eigenvalue_algorithm

你可能感兴趣的:(图像处理中的数学)

  • 图像处理中的数学工具接收 yaoling-xumi13 数字图像处理数字图像处理
    1、矩阵和阵列的操作第一眼，我很疑惑矩阵的阵列到底有什么区别，百度之后，才知道了。。。（1）矩阵是位图，位图又叫点阵图或者像素图，就是我们处理图像的像素，每个点用二进制数据来描述其颜色和亮度等信息。一个像素是最小的图像元素。图像的大小和质量取决于像素的多少。（2）阵列是矢量图，又称向量图，简单的说，就是缩小不失真的图像格式。矢量图是通过对个对象的组合生成的，对其中每一个对象的记录方式，都是以数学函
  • 图像处理中的数学原理详解 Adagrad
    https://blog.csdn.net/baimafujinji/column/info/math-imageprocess/1
  • 图像处理中的数学知识 jay&chuxu 机器学习图像处理图像处理数学机器学习
    矩阵的特征值、特征向量的概念这里，我们讨论的是n阶的方阵A定义从向量的定义可知，它是方向和长度的结合体。当一个线性变换A作用在n维线性空间V中的某一非零向量x上时，便是对该向量的长度和方向进行变化。然而，存在一些向量，线性变换A并没有改变其方向，而只是改变了长度，这种向量，叫做线性变换A的特征向量，它在变换中被改变的倍数，叫做它的特征值。用数学公式表示这一概念，即：Ax=λx(1)其中，λ的个线性
  • 图像处理中的数学原理归类 h_l_dou 数学知识图像处理数学知识图像处理
    图像处理中的数学原理归类原文：https://blog.csdn.net/baimafujinji/article/details/48467225我的“图像处理中的数学原理”专栏中之系列文章已经以《图像处理中的数学修炼》为名结集出版（清华大学出版社）。该书详细介绍图像处理中的数学原理，为你打开一道通往图像世界的数学之门。以下是最新版本的该书的完整目录，方便各位网友查阅以及确定本书是否符合你的选购
  • 约束复原与维纳滤波（数学原理与MATLAB实现） 白马负金羁 深入理解数字图像处理
    在【图像处理中的数学原理】专栏（该专栏中的文章已经结集出版，书名为《图像处理中的数学修炼》）之前的一篇文章中，我们曾经讨论过一种“自适应图像降噪滤波器的设计与实现”。彼时，也曾经提过其中运用了维纳滤波器的一些方法，但我们并未深入讨论关于维纳滤波的更多内容。本文作为这个系列中的一个续篇，继续来深入研究著名的维纳滤波，特别是其背后的数学原理。这也涉及到了限制性图像复原和非限制性图像复原的一些话题。欢迎
  • 图像处理中的数学原理详解17——卷积定理及其证明 白马负金羁 图像处理中的数学
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/484672251.4.5卷积定理及其证明卷积定理是傅立叶变换满足的一个重要性质。卷积定理指出，函数卷积的傅立叶变换是函数傅立叶变换的乘积。换言之，一个域中的卷积对应于另一个域中的乘积，例如，时域中的卷积对应
  • 数字图像处理——第二章（数字图像基础） 一千种风的味道 数字图像处理
    数字图像基础一、人眼结构二、电磁波谱和光2.1电磁波谱2.2光三、图像的数学模型四、图像的取样和量化4.1取样和量化的概念4.2数字图像表示4.3空间和灰度分辨率4.4图像内插4.5像素间的一些基本关系4.5.1相邻像素4.5.2邻接性、联通性、区域和边界4.5.3距离度量五、数字图像处理中的数学工具介绍5.1阵列与矩阵操作5.2线性操作和非线性操作5.3算术操作5.4集合和逻辑操作5.4.1集合
  • 基于Retinex的图像去雾算法（MATLAB实现） 白马负金羁 深入理解数字图像处理
    在【图像处理中的数学原理】专栏（该专栏中的文章已经结集出版，书名为《图像处理中的数学修炼》）之前的一些文章中，我们已经讨论了诸多非常有用的图像增强算法，例如直方图均衡算法以及更加强大的CLAHE。通常图像增强算法或多或少都有一定的去雾效果，只是这个效果有强有若罢了。本文将讨论另外一类十分重要的图像增强算法——Retinex算法。并在MATLAB中实验一下这类方法的去雾效果。提及图像去雾算法，【图像
  • 图像处理中的数学原理详解19——函数的极限 白马负金羁 图像处理中的数学
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/484672251.1.3函数的极限本小节介绍两个重要的函数极限，并讨论它们的应用。重要极限1：此外，该重要极限的另一种形式也常常被用到，即综上，结论得证。由此，也很容易推出如下结论，证明从略，有兴趣的读者可
  • 黑洞成像背后的算法 | 图像处理与反问题 小科的IT
    昨天，人类第一张黑洞图像被拍出来了。我也来回顾下黑洞背后的成像原理。本文很多资料来自我老板的课程：http://bicmr.pku.edu.cn/~dongbin/Teaching_files/图像处理中的数学方法-18-19/index.html和tedtalkhttps://www.ted.com/talks/katie_bouman_what_does_a_black_hole_look_l
  • 图像处理中的数学原理详解（已发布的部分链接整理） phoenixtree7 图像处理算法理论
    全文目录请见图像处理中的数学原理详解（Part1总纲）http://blog.csdn.net/baimafujinji/article/details/48467225本文整理了总纲中已经发布的章节及其相应链接如下。1.1.1数列的极限http://blog.csdn.net/baimafujinji/article/details/500108551.1.2级数的敛散http://blog.c
  • 图像处理中的数学原理详解18——内积与外积 yingfeng2 3Dmath（高中的基础）
    图像处理中的数学原理详解18——内积与外积标签：图像处理数学内积外积2015-12-0915:425172人阅读评论(1)收藏举报分类：数学（44）版权声明：本文为博主原创文章，未经博主允许不得转载。欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.NET/baimafujinji/article/details/4846
  • 图像处理中的数学修炼（第2版）上市：新旧版同时在售 白马负金羁 图像处理图像处理中的数学修炼数字图像处理图像处理中的数学图像处理中的数学原理
    自《图像处理中的数学修炼》原书第一版于2017年2月上市以来，加印重印多次，在京东和当当等主流在线购书网站上已经累计有超过3200个有效购买评论，并且在这两个网站上的好评度都超过99%。结合第一版书籍读者给出的反馈，同时为了适应相关技术的快速发展，在首版发行三年之后的2020年，笔者再度与清华大学出版社合作，乘势推出全新的《图像处理中的数学修炼》（第2版）。当前，第一、二版书籍同时在售。你可以从任
  • 直方图均衡化 桂哥317 图像处理算法MATLAB
    参考文献：RafaelC.Gonzalez,RichardE.Woods，DigitalImageProcessing(ThirdEdition)胡学龙.数字图像处理（第三版）左飞.图像处理中的数学修炼目录直方图均衡化的介绍直方图的概念直方图均衡化的理论基础手工实现直方图均衡化MATLAB上实现直方图均衡化直方图均衡化的缺点直方图均衡化的介绍直方图均衡化是一种简单有效的图像增强技术，通过改变图像的
  • 特惠购书通道 白马负金羁 其他杂文
    如果你对博主已经出版的图书感兴趣，可以在QQ群（155911675）中联系店小二以优惠价购买（如果你一次性购买两本及以上还可享受更多优惠）。所有图书都是出版社赠送给作者的样书，全新正版。需要入群购书的朋友，入群问题答案请直接填写“购书”。《图像处理中的数学修炼》（原定价79，特惠价请入群咨询店小二）《数字图像处理：原理与实践（MATLAB版）》理论与实践集于一身，为初学者构建图像处理的完整体系，利
  • 图像书籍读者群特别说明 白马负金羁 其他杂文
    博主时间有限，无暇与万千网友逐一交流。本ＱＱ群仅对《图像处理中的数学修炼》一书之读者开放，供资源共享及读者交流之用。群主保留随时删除任何人的权利。鉴于很多人妄图趁机浑水摸鱼，为保证真读者群内天朗气清并隔绝吃瓜群主或毫无诚信者围观，特设置一个入口群（155911675），注意这只是通往真群的一个入口，并不是真的读者群。欲加入真群的读者请先至该入口群中联系店小二进行读者身份验证，验证通过后方可获得真读
  • 数字图像处理中的数学操作 jacob6_b
    阵列与矩阵操作的区别在相应的像素对之间操作都是阵列操作。线性与非线性操作线性操作满足加性和同质性(乘以常数)特征。算术操作1、图像间的算术操作都是阵列操作2、图像相加：ie加性噪声，降噪求平均3、图像相减常用于增强图像之间的差，ie，医学成像领域中的模板模式放射成像，常用于图像分割，细节增强等。4、图像相乘（或相除）多用于阴影校正。估计阴影的方法：（1）若图像系统可以访问，可以通过对具有恒定灰度的
  • 【图像处理中的数学修炼】一书之代码 白马负金羁 图书出版及相关资源图像处理数学代码下载MATLAB
    数字图像处理对数学的要求颇高，这不禁令很多学习者望而却步。在阅读图像处理方面的论文时，面对梯度、散度、黑塞矩阵、傅里叶变换等这些本该在微积分中早已耳熟能详的概念时，很多人仍然感觉一筹莫展。为了弭平图像处理道路上的数学险阻，帮助更多人学好数字图像处理，并更快地具备深入研究的能力。笔者特别撰写了这本《图像处理中的数学修炼》（该书现已由清华大学出版社正式出版）。欲了解《图像处理中的数学修炼》的更多详细内
  • 【图像处理中的数学修炼】一书之代码 baimafujinji 数学matlab图像处理代码下载
    数字图像处理对数学的要求颇高，这不禁令很多学习者望而却步。在阅读图像处理方面的论文时，面对梯度、散度、黑塞矩阵、傅里叶变换等这些本该在微积分中早已耳熟能详的概念时，很多人仍然感觉一筹莫展。为了弭平图像处理道路上的数学险阻，帮助更多人学好数字图像处理，并更快地具备深入研究的能力。笔者特别撰写了这本《图像处理中的数学修炼》（该书现已由清华大学出版社正式出版）。欲了解《图像处理中的数学修炼》的更多详细内
  • 图像处理中的数学工具接收 xumi13 数字图像处理
    1、矩阵和阵列的操作第一眼，我很疑惑矩阵的阵列到底有什么区别，百度之后，才知道了。。。（1）矩阵是位图，位图又叫点阵图或者像素图，就是我们处理图像的像素，每个点用二进制数据来描述其颜色和亮度等信息。一个像素是最小的图像元素。图像的大小和质量取决于像素的多少。（2）阵列是矢量图，又称向量图，简单的说，就是缩小不失真的图像格式。矢量图是通过对个对象的组合生成的，对其中每一个对象的记录方式，都是以数学函
  • 图像处理中的数学修炼的特别说明及其勘误表 白马负金羁 图书出版及相关资源
    由清华大学出版社出版的《图像处理中的数学修炼》这本书是今年3月左右正式上市销售的。现在三个多月过去了，已经积累了大量的读者。但是，随着读者数量的增加，近来有部分读者在跟我交流和咨询的时候表现出来许多在读书和用书时的困惑，这里我特别把这本书的一些情况和大家可能有的误解在做一个澄清，希望大家对这本书的结构、作用、意义和阅读的方法有一个了解，从而真正发挥它的作用。同时也避免潜在读者由于错误地使用本书而使
  • 《图像处理中的数学修炼》一书之勘误表 baimafujinji 数学图书图像处理勘误表
    《图像处理中的数学修炼》一书已由清华大学出版社出版发行。勘误表请见如下（不断更新中）：关于本书的更多详情及目录可以参见http://blog.csdn.NET/baimafujinji/article/details/48467225。*表示第二次增印中已经改正。*1、前言部分，第1页，最后1段第1行：总所周知，......应该改为：众所周知2、第1章，第12页：“通过计算可知”下面的公式中无端多
  • 详解赋范空间——图像处理中的数学原理详解24 baimafujinji 数学图像处理泛函分析赋范空间
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见 图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225图像处理中的数学原理详解（已发布的部分链接整理）http://blog.csdn.net/baimafujinji/article/details/48751037交流学习可加图像处理研究学
  • 图像处理中的数学原理详解23——详解希尔伯特空间 白马负金羁 图像处理中的数学
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225有段时间没继续更新我的“图像处理中的数学原理详解”专栏了。因为前面基础的部分已经发布的差不多了，现在已经进入“深水区”。一方面现在文章的长度都有所增加，所以我写起来就更加麻烦了。另一方面，现在
  • 详解希尔伯特空间——图像处理中的数学原理详解23 baimafujinji 数学图像处理希尔伯特空间泛函分析
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见 图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225图像处理中的数学原理详解（已发布的部分链接整理）http://blog.csdn.net/baimafujinji/article/details/48751037交流学习可加图像处理研究学
  • 图像处理中的数学原理详解22——快速傅立叶变换算法FFT 白马负金羁 图像处理中的数学图像处理中的数学原理详解
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225傅立叶变换以高等数学（微积分）中的傅立叶级数为基础发展而来，它是信号处理（特别是图像处理）中非常重要的一种时频变换手段，具有重要应用。在图像编码、压缩、降噪、数字水印方面都有重要意义。此外，快
  • 快速傅立叶变换算法FFT——图像处理中的数学原理详解22 baimafujinji 算法图像处理fft傅立叶变换
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见 图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225图像处理中的数学原理详解（已发布的部分链接整理）http://blog.csdn.net/baimafujinji/article/details/48751037交流学习可加图像处理研究学
  • 图像处理中的数学原理详解21——PCA实例与图像编码 白马负金羁 图像处理中的数学图像处理中的数学原理详解
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225如果你对PCA的推导和概念还不是很清楚，建议阅读本文的前导文章http://blog.csdn.net/baimafujinji/article/details/503729066.4.3主成
  • 图像处理中的数学原理详解21——PCA实例与图像编码 baimafujinji 数学图像处理pca主成分分析
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见 图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225图像处理中的数学原理详解（已发布的部分链接整理）http://blog.csdn.net/baimafujinji/article/details/48751037如果你对PCA的推导和概念
  • 图像处理中的数学原理详解20——主成分变换（PCA） 白马负金羁 图像处理数学PCA主成分分析图像处理中的数学图像处理中的数学原理详解
    欢迎关注我的博客专栏“图像处理中的数学原理详解”全文目录请见图像处理中的数学原理详解（总纲）http://blog.csdn.net/baimafujinji/article/details/48467225阅读本文需要最基本的线性代数知识和概率论基础：）6.4.2主成分变换的推导前面提到的一国经济增长与城市化水平关系的问题是典型二维问题，而协方差也只能处理二维问题，那维数多了自然就需要计算多个协
  • 统一思想认识 永夜-极光 思想
    1.统一思想认识的基础,才能有的放矢  原因:    总有一种描述事物的方式最贴近本质,最容易让人理解.    如何让教育更轻松,在于找到最适合学生的方式.          难点在于,如何模拟对方的思维基础选择合适的方式.   &
  • Joda Time使用笔记 bylijinnan javajoda time
    Joda Time的介绍可以参考这篇文章： http://www.ibm.com/developerworks/cn/java/j-jodatime.html 工作中也常常用到Joda Time，为了避免每次使用都查API，记录一下常用的用法：     /** * DateTime变化（增减） */ @Tes
  • FileUtils API eksliang FileUtilsFileUtils API
    转载请出自出处：http://eksliang.iteye.com/blog/2217374 一、概述 这是一个Java操作文件的常用库，是Apache对java的IO包的封装，这里面有两个非常核心的类FilenameUtils跟FileUtils，其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装，开发中对文件的操作，几乎都可以在这个框架里面找到。 非常的好用。
  • 各种新兴技术 不懂事的小屁孩 技术
    1:gradle Gradle 是以 Groovy 语言为基础，面向Java应用为主。基于DSL（领域特定语言）语法的自动化构建工具。 现在构建系统常用到maven工具，现在有更容易上手的gradle， 搭建java环境: http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/ 搭建android环境： http://m
  • tomcat6的https双向认证 酷的飞上天空 tomcat6
    1.生成服务器端证书 keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
  • 托管虚拟桌面市场势不可挡 蓝儿唯美
    用户还需要冗余的数据中心，dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台，提供服务或者MSP也可以自己来控制。 在某些情况下，MSP会在dinCloud的云服务上进行服务分层，如监控和补丁管理。 MSP的利润空间将根据其参与的程度而有所不同，Din说。 “我们有一些合作伙伴负责将我们推荐给客户作为个
  • spring学习——xml文件的配置 a-john spring
    在Spring的学习中，对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中，采用XML配置也是最常见的。以下是一个简单的XML配置文件： <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.or
  • HDU 4342 History repeat itself 模拟 aijuans 模拟
    来源：http://acm.hdu.edu.cn/showproblem.php?pid=4342 题意：首先让求第几个非平方数，然后求从1到该数之间的每个sqrt(i)的下取整的和。 思路：一个简单的模拟题目，但是由于数据范围大，需要用__int64。我们可以首先把平方数筛选出来，假如让求第n个非平方数的话，看n前面有多少个平方数，假设有x个，则第n个非平方数就是n+x。注意两种特殊情况，即
  • java中最常用jar包的用途 asia007 java
    java中最常用jar包的用途 jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口，提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法，以及接收和处理SOAP错误的方法.  w
  • ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法 百合不是茶 jsjson编码返回异常
    一:ajax获取自定义Struts框架中的json编码  出现以下 问题:       1,强制flush输出  json编码打印在首页 2, 不强制flush js会解析json 打印出来的是错误的jsp页面   却没有跳转到错误页面 3,  ajax中的dataType的json 改为text 会
  • JUnit使用的设计模式 bijian1013 java设计模式JUnit
    JUnit源代码涉及使用了大量设计模式 1、模板方法模式（Template Method）         定义一个操作中的算法骨架，而将一些步骤延伸到子类中去，使得子类可以不改变一个算法的结构，即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构，也就是步骤，而步骤的实现可以在子类中完成。   
  • Linux常用命令（摘录） sunjing crondchkconfig
    chkconfig --list   查看linux所有服务 chkconfig --add servicename 添加linux服务 netstat -apn | grep 8080  查看端口占用 env 查看所有环境变量 echo $JAVA_HOME 查看JAVA_HOME环境变量   安装编译器 yum install -y gcc
  • 【Hadoop一】Hadoop伪集群环境搭建 bit1129 hadoop
     结合网上多份文档，不断反复的修正hadoop启动和运行过程中出现的问题，终于把Hadoop2.5.2伪分布式安装起来，跑通了wordcount例子。Hadoop的安装复杂性的体现之一是，Hadoop的安装文档非常多，但是能一个文档走下来的少之又少，尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布，但是它的配置跟2.5.0，2.5.1没有分别。 &nb
  • Anychart图表系列五之事件监听 白糖_ chart
    创建图表事件监听非常简单：首先是通过addEventListener('监听类型',js监听方法)添加事件监听，然后在js监听方法中定义具体监听逻辑。 以钻取操作为例，当用户点击图表某一个point的时候弹出point的name和value，代码如下： <script> //创建AnyChart var chart = new AnyChart(); //添加钻取操作&quo
  • Web前端相关段子 braveCS web前端
    Web标准：结构、样式和行为分离   使用语义化标签 0）标签的语义：使用有良好语义的标签，能够很好地实现自我解释，方便搜索引擎理解网页结构，抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容，具有很好的可读性，从而实现对特殊终端的兼容。 1）div和span是没有语义的：只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时，才会适当添加div
  • 编程之美-24点游戏 bylijinnan 编程之美
    import java.util.ArrayList; import java.util.Arrays; import java.util.HashSet; import java.util.List; import java.util.Random; import java.util.Set; public class PointGame { /**编程之美
  • 主页面子页面传值总结 chengxuyuancsdn 总结
    1、showModalDialog returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值 主界面 var sonValue=window.showModalDialog("son.jsp"); 子界面 window.retu
  • [网络与经济]互联网+的含义 comsci 互联网+
          互联网+后面是一个人的名字 = 网络控制系统       互联网+你的名字 =  网络个人数据库       每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
  • oracle 创建视图 with check option daizj 视图vieworalce
    我们来看下面的例子： create or replace view testview as select empno,ename from emp where ename like ‘M%’ with check option; 这里我们创建了一个视图，并使用了with check option来限制了视图。 然后我们来看一下视图包含的结果： select * from testv
  • ToastPlugin插件在cordova3.3下使用 dibov Cordova
        自己开发的Todos应用，想实现“ 再按一次返回键退出程序 ”的功能，采用网上的ToastPlugins插件，发现代码或文章基本都是老版本，运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。       ToastPlugin.java package&nbs
  • C语言22个系统函数 dcj3sjt126com cfunction
    C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分（尾数）x和 以2位的指数部分n，即num=x*2n，指数n存放在exp指向的变量中，返回x。D
  • 开发一个类的流程 dcj3sjt126com 开发
    本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件，并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库，供以后复用。   以下是开发流程： 1. 明确类的功能，抽象出类的大概结构 2. 初步设想类的接口 3. 类名设计（驼峰式命名） 4. 属性设置(权限设置) 判断某些变量是否有必要作为成员属
  • java 并发 shuizhaosi888 java 并发
    能够写出高伸缩性的并发是一门艺术   在JAVA SE5中新增了3个包 java.util.concurrent java.util.concurrent.atomic java.util.concurrent.locks 在java的内存模型中，类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享，局部变量与方法参数都是线程私有的，不会被共享。
  • Spring Security（11）——匿名认证 234390216 Spring SecurityROLE_ANNOYMOUS匿名
    匿名认证 目录 1.1     配置 1.2     AuthenticationTrustResolver          对于匿名访问的用户，Spring Security支持为其建立一个匿名的AnonymousAuthenticat
  • NODEJS项目实践0.2[ express,ajax通信...] 逐行分析JS源代码 Ajaxnodejsexpress
      一、前言         通过上节学习，我们已经        ubuntu系统搭建了一个可以访问的nodejs系统，并做了nginx转发。本节原要做web端服务 及 mongodb的存取，但写着写着，web端就
  • 在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值 lhbthanks javahtmlstrutscheckbox
    第一种方法：获取结果String类型 在 Action 中获得的是一个 String 型数据，每一个被选中的 checkbox 的 value 被拼接在一起，每个值之间以逗号隔开(,)。 所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。 以下是实现的代码： 前台 HTML 代码：
  • 003.Kafka基本概念 nweiren hadoopkafka
    Kafka基本概念：Topic、Partition、Message、Producer、Broker、Consumer。 Topic：             消息源（Message）的分类。 Partition：             Topic物理上的分组，一
  • Linux环境下安装JDK roadrunners jdklinux
    1、准备工作 创建JDK的安装目录： mkdir -p /usr/java/   下载JDK，找到适合自己系统的JDK版本进行下载： http://www.oracle.com/technetwork/java/javase/downloads/index.html   把JDK安装包下载到/usr/java/目录，然后进行解压： tar -zxvf jre-7
  • Linux忘记root密码的解决思路 tomcat_oracle linux
    1：使用同版本的linux启动系统，chroot到忘记密码的根分区passwd改密码 　　2：grub启动菜单中加入init=/bin/bash进入系统，不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 　　3: grub启动菜单中加入 single以单用户进入系统. 　　4:用以上方法mount到根分区把/etc/passwd中的root密码去除 　　例如: 　　ro
  • 跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现 xueyou jsonpjquery框架UIhtml5
    postMessage 是 HTML5 新方法，它可以实现跨域窗口之间通讯。到目前为止，只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持，而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样，前者是前端擅长跨域文档数据即时通讯，后者擅长针对跨域服务端数据通讯，p
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他