- TIP-2025《Data Subdivision Based Dual-Weighted Robust Principal Component Analysis》
Christo3
机器学习人工智能机器学习算法
核心思想分析这篇论文提出了一个新颖的主成分分析(PCA)方法,称为DataSubdivisionBasedDual-WeightedRobustPrincipalComponentAnalysis(DRPCA),旨在解决传统PCA在处理包含噪声和异常值的数据时的鲁棒性问题。其核心思想包括以下几个方面:数据细分与双权重机制:传统PCA假设数据已中心化,并使用平方l2l_2l2-范数,这对噪声和异常值
- 主成分分析(PCA)例题——给定协方差矩阵
phoenix@Capricornus
PR书稿矩阵线性代数
向量xxx的相关矩阵为Rx=[0.30.10.10.10.3−0.10.1−0.10.3]{\bmR}_x=\begin{bmatrix}0.3&0.1&0.1\\0.1&0.3&-0.1\\0.1&-0.1&0.3\end{bmatrix}Rx=0.30.10.10.10.3−0.10.1−0.10.3计算输入向量的KL变换。解答Rx{\bmR}_xRx的特征值为λ0=0.1\lambda_0=
- 图像处理与机器学习项目:特征提取、PCA与分类器评估
pk_xz123456
深度学习仿真模型算法图像处理机器学习人工智能
图像处理与机器学习项目:特征提取、PCA与分类器评估项目概述本项目将完成一个完整的图像处理与机器学习流程,包括数据探索、特征提取、主成分分析(PCA)、分类器实现和评估五个关键步骤。我们将使用Python的OpenCV、scikit-learn和scikit-image库来处理图像数据并实现机器学习算法。importnumpyasnpimportmatplotlib.pyplotaspltimpo
- PCL 计算点云OBB包围盒——PCA主成分分析法
点云侠'
点云学习算法c++开发语言计算机视觉人工智能
目录一、概述1.1原理1.2实现步骤1.3应用场景1.4注意事项二、关键函数2.1头文件2.2读取点云2.3计算点云质心和协方差矩阵2.4协方差矩阵分解求特征值和特征向量2.5校正主方向2.6将输入点云转换至原点2.7计算包围盒2.8构建四元数和位移向量2.9结果可视化三、完整代码四、结果内容抄自CSDN点云侠:【2024最新版】PCL点云处理算法汇总(C++长期更新版)。质量无忧,永久免费,可放
- 核方法、核技巧、核函数、核矩阵
第六五签
数学模型矩阵线性代数
核方法(KernelMethods)和核技巧(KernelTrick)是机器学习中处理非线性问题的强大理论框架和实践工具。核心目标:征服非线性许多机器学习算法(如感知机、支持向量机SVM、主成分分析PCA)本质上是寻找线性模式或线性决策边界(直线/平面/超平面)。然而,现实世界的数据往往是线性不可分的,这意味着在原始特征空间中,无法用一条直线(或超平面)完美地将不同类别的数据点分开,或者无法用线性
- 基于PCA和Kmeans的餐馆地区分类研究
1.实践任务说明对《中国2019年分地区连锁餐饮企业数据》中的7个经营指标(V2-V8)进行主成分分析(PCA),通过降维提取核心特征。首先标准化数据,然后计算主成分的方差贡献率,按累积贡献率≥85%确定保留的主成分数量,最终输出降维后的主成分得分及因子载荷矩阵,简化后续分析。基于K-Means聚类算法对餐饮企业数据进行分析,首先读取true_restaurant.csv文件中的PC1指标数据并进
- 5.15 day21
AщYΘ
人工智能算法
知识点回顾:LDA线性判别PCA主成分分析t-sne降维自由作业:探索下什么时候用到降维?降维的主要应用?或者让ai给你出题,群里的同学互相学习下。可以考虑对比下在某些特定数据集上t-sne的可视化和pca可视化的区别。一、何时需要使用降维?1.数据高维困境维度灾难(CurseofDimensionality):当特征维度超过样本数量时,模型容易过拟合存储与计算成本:高维数据需要更多存储空间,算法
- 机器学习——主成分分析 PCA
Nil0_
机器学习
目录简介一、基本原理1.数据变换2.协方差矩阵3.特征值和特征向量实施步骤应用选择主成分的数量二、代码实现优缺点分析优点缺点总结简介主成分分析(PCA)是机器学习领域中的一种重要算法,主要应用于数据的降维和特征提取。PCA的目的是通过保留数据集中的主要信息,将高维数据集转换为低维数据集,从而简化模型训练和提高模型性能。一、基本原理1.数据变换PCA通过线性变换将原始数据映射到新的特征空间,这个变换
- 聚类分析现状
云cia
机器学习人工智能
针对上述问题,一种结合降维技术和聚类算法的解决方案被广泛认可,即先采用降维技术,如主成分分析、局部线性嵌入或核方法等对数据进行降维,再对降维后的特征进行聚类.该方案虽然在一定程度上降低了高维空间的聚类难度,但由于数据降维是独立于聚类任务的,这意味着提取的特征往往并不具备簇类结构.子空间方法则提供另一种很好的思路.该方法假设高维数据分布于多个低维子空间的组合,通过将高维数据分割到各自所属的本征低维子
- 09_降维、特征提取与流行学习
白杆杆红伞伞
machinelearning人工智能python机器学习
描述利用无监督学习进行数据变换可能有很多种目的。最常见的目的就是可视化、压缩数据,以及寻找信息量更大的数据表示用于进一步的处理。为了实现这些目的,最简单的也是最常用的一种算法就是主成分分析。另外两种算法:非负矩阵分解(NMF)和t-SNE,前者通常用于特征提取,后者通常用于二维散点图的可视化。PCA主成分分析(降维)主成分分析(principalcomponentanalysis,PCA)是一种旋
- python学习day21
一叶知秋秋
python学习笔记学习
知识点回顾:1.LDA线性判别2.PCA主成分分析3.t-sne降维数据如前几期无监督降维定义:这类算法在降维过程中不使用任何关于数据样本的标签信息输入:只有特征矩阵X。目标:保留数据中尽可能多的方差(如PCA)。保留数据的局部或全局流形结构(如LLE,Isomap,t-SNE,UMAP)。找到能够有效重构原始数据的紧凑表示(如Autoencoder)。找到统计上独立的成分(如ICA)。典型算法:
- Python打卡训练营day21——2025.05.10
莱茵菜苗
python开发语言
LDA线性判别PCA主成分分析t-sne降维降维技术的应用场景与主要用途降维技术广泛应用于多个领域,尤其是在数据分析、机器学习和数据可视化中扮演着重要角色。通过减少数据的维度,不仅可以降低计算复杂度,还能帮助揭示隐藏在高维数据中的结构和模式1。应用场景数据预处理:在构建机器学习模型之前,降维可以去除冗余特征并提高模型性能。数据压缩:通过保留最重要的信息来减小存储需求和传输成本。噪声过滤:某些降维方
- TensorFlow深度学习实战(17)——主成分分析详解
盼小辉丶
深度学习tensorflow人工智能
TensorFlow深度学习实战(17)——主成分分析详解0.前言1.主成分分析2.使用TensorFlow实现PCA3.TensorFlow嵌入API小结系列链接0.前言主成分分析(PrincipalComponentAnalysis,PCA)是一种强大的降维工具,通过找到数据的主成分,可以有效地减少数据的复杂性,去除冗余特征,并保留数据的主要信息,在数据预处理、特征提取和可视化等方面都有广泛的
- NIPS-2013《Distributed PCA and $k$-Means Clustering》
Christo3
机器学习kmeans算法大数据人工智能
推荐深蓝学院的《深度神经网络加速:cuDNN与TensorRT》,课程面向就业,细致讲解CUDA运算的理论支撑与实践,学完可以系统化掌握CUDA基础编程知识以及TensorRT实战,并且能够利用GPU开发高性能、高并发的软件系统,感兴趣可以直接看看链接:深蓝学院《深度神经网络加速:cuDNN与TensorRT》核心思想该论文的核心思想是将主成分分析(PCA)与分布式kkk-均值聚类相结合,提出一种
- 深入详解线性代数基础知识:理解矩阵与向量运算、特征值与特征向量,以及矩阵分解方法(如奇异值分解SVD和主成分分析PCA)在人工智能中的应用
猿享天开
人工智能数学基础专讲线性代数人工智能矩阵特征向量
深入详解线性代数基础知识在人工智能中的应用线性代数是人工智能,尤其是机器学习和深度学习领域的基石。深入理解矩阵与向量运算、特征值与特征向量,以及矩阵分解方法(如奇异值分解SVD和主成分分析PCA),对于数据降维、特征提取和模型优化至关重要。本文将详细探讨这些线性代数的核心概念及其在人工智能中的应用,并辅以示例代码以助理解。1.矩阵与向量运算线性代数中的矩阵与向量运算是理解高维数据处理和模型训练的基
- 主成分分析在样本认证中的应用
牛新哲
主成分分析SIMCA模型NIR光谱样本认证多元校准
主成分分析在样本认证中的应用背景简介在化学计量学和数据分析领域,主成分分析(PCA)是一种强大的工具,用于简化数据、提取关键信息,并识别数据中的模式。本文将探讨PCA和软独立建模类分析(SIMCA)在样本认证中的实际应用,特别是通过近红外(NIR)光谱技术区分不同来源的猪肉脂肪。PCA与SIMCA在样本认证中的结合使用在章节4.9中,作者们通过一个真实案例展示了PCA和SIMCA模型如何协同工作,
- AI要掌握的知识
杰克逊的日记
人工智能AI技术
AI(人工智能)是一个跨学科的复杂领域,其知识体系涵盖理论基础、技术工具和实践应用等多个层面。以下从核心知识模块、技术工具、实践方向等角度,详细梳理AI从业者需要掌握的知识体系:一、数学基础:AI的理论基石1.线性代数核心概念:向量、矩阵、行列式、特征值与特征向量、矩阵分解(如PCA主成分分析的数学基础)。应用场景:数据降维、神经网络中的矩阵运算(如权重矩阵乘法)、图像变换(如旋转、缩放的矩阵表示
- 多元回归预测|基于经验模态分解结合主成分分析的长短记忆神经网络EMD-KPCA-LSTM(含LSTM和EMD-LSTM对比)实现风电数据预测附matlab代码
matlab科研社
预测模型神经网络lstm回归
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,代码获取、论文复现及科研仿真合作可私信。个人主页:Matlab科研工作室个人信条:格物致知。内容介绍风电作为一种可再生能源,其发电量受多种因素影响,具有较强的波动性和间歇性。准确预测风电数据对于提高电网稳定性和优化调度具有重要意义。本文提出了一种基于经验模态分解(EMD)结合主成分分析(KPCA)的长短记忆神经网络(LSTM)模型(
- 【MATLAB】基于EMD-PCA-LSTM的回归预测模型
Lwcah(全网各平台账号同名)
MATLAB回归预测算法matlablstm回归
有意向获取代码,请转文末观看代码获取方式~1基本定义基于EMD-PCA-LSTM的回归预测模型是一种结合了经验模态分解(EmpiricalModeDecomposition,EMD)、主成分分析(PrincipalComponentAnalysis,PCA)和长短期记忆网络(LongShort-TermMemory,LSTM)的复杂回归序列预测方法。下面分别介绍这三个组成部分的基本原理以及它们是如
- 深度学习与传统算法在人脸识别领域的演进:从Eigenfaces到ArcFace
uncle_ll
人脸深度学习人脸人脸识别
一、传统人脸识别方法的发展与局限1.1Eigenfaces:主成分分析的经典实践算法原理Eigenfaces是基于主成分分析(PCA)的里程碑式方法。其核心思想是将人脸图像视为高维向量,通过协方差矩阵计算特征向量(即特征脸),将原始数据投影到由前k个最大特征值对应的特征向量张成的低维子空间。在FERET数据集上,Eigenfaces曾达到85%的识别准确率,证明了线性降维的有效性。优劣势对比✅优势
- 【自学笔记】流形学习
zyq~
机器学习笔记学习信息可视化流形学习机器学习人工智能
文章目录流形学习(MainfoldLearning)流形学习解决的问题1.数据的低维表示2.数据结构的理解3.数据可视化4.改善机器学习模型的输入流形理论概念惠特尼嵌入定理(WhitneyEmbeddingTheorem)主成分分析(PCA)局部线性嵌入(LLE,LocallyLinearEmbedding)等距映射(Isomap)t-分布邻域嵌入(t-SNE,t-distributedStoch
- 技术剖析|线性代数之特征值分解,支撑AI算法的数学原理
AI算力那些事儿
技术剖析线性代数人工智能算法
目录一、特征值分解的数学本质1、基本定义与核心方程2、几何解释与线性变换3、可对角化条件与分解形式二、特征值分解的计算方法1、特征多项式与代数解法2、数值计算方法3、计算实例与验证三、特征值分解在AI中的关键应用1、主成分分析(PCA)与数据降维2、图分析与网络科学3、矩阵分析与优化问题4、图像处理与信号分析四、特征值分解的扩展与相关技术1、奇异值分解(SVD)的关联2、广义特征值问题3、现代算法
- 基于EMD-PCA-LSTM的光伏功率预测模型研究
非著名架构师
大模型知识文档lstm人工智能rnn
摘要本文提出了一种结合经验模态分解(EMD)、主成分分析(PCA)和长短期记忆网络(LSTM)的混合预测模型,用于提高光伏功率预测的准确性。该模型首先利用EMD算法将非平稳的光伏功率序列分解为多个本征模态函数(IMF),然后通过PCA对多维气象特征进行降维处理,最后将处理后的特征输入LSTM网络进行预测。实验结果表明,与单一LSTM模型和传统预测方法相比,EMD-PCA-LSTM模型在预测精度和稳
- 机器学习系列-----主成分分析(PCA)
DK22151
机器学习机器学习人工智能算法
一、什么是主成分分析(PCA)?主成分分析(PrincipalComponentAnalysis,简称PCA)是一种常用的线性降维技术,它通过正交变换将数据从高维空间映射到低维空间,同时尽量保留数据的方差。PCA的目的是将数据中最重要的特征提取出来,去掉冗余的信息,从而减少数据的维度,并且使得数据的解释更加直观。PCA不仅是数据预处理的一种手段,也在许多机器学习和数据分析中得到广泛应用。比如,图像
- 降维算法是什么
Nate Hillick
算法python开发语言
降维算法是一种将高维数据映射到低维空间的算法。它的目的是减少数据的维数,从而使得数据可视化、分析和处理更加容易。常见的降维算法包括主成分分析(PCA)、线性判别分析(LDA)和t-SNE。
- 机器学习基础算法11-鸢尾花数据集分析-PCA主成分分析与logistic回归(管道分析)
qq_42749341
机器学习-基础知识
目录数据集介绍PCA主成分分析1.基本原理2.代码实现逻辑回归-管道-Pipeline代码模型泛化能力分析数据集介绍鸢尾花数据集有三个类别,每个类别有50个样本。其中一个类别与另外两个线性可分,另外两个不能线性可分。PCA主成分分析1.基本原理在统计学中,主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为
- sklearn主成分分析pca用python实现(多媒体实验二)
长门yuki
本科机器学习
算术编码(多媒体实验一)sklearn主成分分析pca用python实现(多媒体实验二)BOW图像检索corel数据集(多媒体实验三)手写数字识别(多媒体实验五)原理建议看这篇博客:PCA的数学原理。写的非常清楚,弄明白实例就差不多懂了。但是弄明白不会写代码,那可以看看这个视频:Python实战PCA/主成分分析(文刀出品)。过程很简单,总结如下:矩阵X的维度是(m,n)。表示m组数据,n维向量。
- 【python 机器学习】sklearn主成分分析(PCA)
人才程序员
python机器学习sklearn人工智能目标检测神经网络深度学习
文章目录sklearn主成分分析(PCA)1.什么是主成分分析(PCA)?通俗介绍:学术解释:2.为什么要使用PCA?3.PCA的工作原理4.使用`sklearn`实现PCA4.1示例数据4.2标准化数据4.3应用PCA进行降维4.4查看方差解释5.主成分分析的应用6.总结sklearn主成分分析(PCA)在机器学习中,数据的维度往往很高,这不仅增加了计算的复杂性,还可能引发“维度灾难”问题。为了
- python:sklearn 主成分分析(PCA)
belldeep
pythonsklearnpythonsklearn机器学习PCA
参考书:《统计学习方法》第2版第16章主成分分析(PCA)示例编写test_pca_1.py如下#-*-coding:utf-8-*-"""主成分分析(PCA)"""importmatplotlib.pyplotaspltfromsklearn.datasetsimportload_irisfromsklearn.decompositionimportPCA#加载鸢尾花数据集iris=load_i
- Matlab实现PCA-SVM主成分分析(PCA)结合支持向量机多特征分类预测的详细项目实例
nantangyuxi
MATLABmatlab支持向量机分类人工智能开发语言大数据算法
目录Matlab实她PCA-SVM主成分分析(PCA)结合支持向量机她特征分类预测她详细项目实例...1项目背景介绍...1项目目标她意义...2项目挑战及解决方案...3项目特点她创新...4项目应用领域...4项目效果预测图程序设计及代码示例...5项目模型架构...6项目模型描述及代码示例...7项目模型算法流程图...8项目目录结构设计及各模块功能说明...8项目应该注意事项...9项目扩
- 开发者关心的那些事
圣子足道
ios游戏编程apple支付
我要在app里添加IAP,必须要注册自己的产品标识符(product identifiers)。产品标识符是什么?
产品标识符(Product Identifiers)是一串字符串,它用来识别你在应用内贩卖的每件商品。App Store用产品标识符来检索产品信息,标识符只能包含大小写字母(A-Z)、数字(0-9)、下划线(-)、以及圆点(.)。你可以任意排列这些元素,但我们建议你创建标识符时使用
- 负载均衡器技术Nginx和F5的优缺点对比
bijian1013
nginxF5
对于数据流量过大的网络中,往往单一设备无法承担,需要多台设备进行数据分流,而负载均衡器就是用来将数据分流到多台设备的一个转发器。
目前有许多不同的负载均衡技术用以满足不同的应用需求,如软/硬件负载均衡、本地/全局负载均衡、更高
- LeetCode[Math] - #9 Palindrome Number
Cwind
javaAlgorithm题解LeetCodeMath
原题链接:#9 Palindrome Number
要求:
判断一个整数是否是回文数,不要使用额外的存储空间
难度:简单
分析:
题目限制不允许使用额外的存储空间应指不允许使用O(n)的内存空间,O(1)的内存用于存储中间结果是可以接受的。于是考虑将该整型数反转,然后与原数字进行比较。
注:没有看到有关负数是否可以是回文数的明确结论,例如
- 画图板的基本实现
15700786134
画图板
要实现画图板的基本功能,除了在qq登陆界面中用到的组件和方法外,还需要添加鼠标监听器,和接口实现。
首先,需要显示一个JFrame界面:
public class DrameFrame extends JFrame { //显示
- linux的ps命令
被触发
linux
Linux中的ps命令是Process Status的缩写。ps命令用来列出系统中当前运行的那些进程。ps命令列出的是当前那些进程的快照,就是执行ps命令的那个时刻的那些进程,如果想要动态的显示进程信息,就可以使用top命令。
要对进程进行监测和控制,首先必须要了解当前进程的情况,也就是需要查看当前进程,而 ps 命令就是最基本同时也是非常强大的进程查看命令。使用该命令可以确定有哪些进程正在运行
- Android 音乐播放器 下一曲 连续跳几首歌
肆无忌惮_
android
最近在写安卓音乐播放器的时候遇到个问题。在MediaPlayer播放结束时会回调
player.setOnCompletionListener(new OnCompletionListener() {
@Override
public void onCompletion(MediaPlayer mp) {
mp.reset();
Log.i("H
- java导出txt文件的例子
知了ing
javaservlet
代码很简单就一个servlet,如下:
package com.eastcom.servlet;
import java.io.BufferedOutputStream;
import java.io.IOException;
import java.net.URLEncoder;
import java.sql.Connection;
import java.sql.Resu
- Scala stack试玩, 提高第三方依赖下载速度
矮蛋蛋
scalasbt
原文地址:
http://segmentfault.com/a/1190000002894524
sbt下载速度实在是惨不忍睹, 需要做些配置优化
下载typesafe离线包, 保存为ivy本地库
wget http://downloads.typesafe.com/typesafe-activator/1.3.4/typesafe-activator-1.3.4.zip
解压r
- phantomjs安装(linux,附带环境变量设置) ,以及casperjs安装。
alleni123
linuxspider
1. 首先从官网
http://phantomjs.org/下载phantomjs压缩包,解压缩到/root/phantomjs文件夹。
2. 安装依赖
sudo yum install fontconfig freetype libfreetype.so.6 libfontconfig.so.1 libstdc++.so.6
3. 配置环境变量
vi /etc/profil
- JAVA IO FileInputStream和FileOutputStream,字节流的打包输出
百合不是茶
java核心思想JAVA IO操作字节流
在程序设计语言中,数据的保存是基本,如果某程序语言不能保存数据那么该语言是不可能存在的,JAVA是当今最流行的面向对象设计语言之一,在保存数据中也有自己独特的一面,字节流和字符流
1,字节流是由字节构成的,字符流是由字符构成的 字节流和字符流都是继承的InputStream和OutPutStream ,java中两种最基本的就是字节流和字符流
类 FileInputStream
- Spring基础实例(依赖注入和控制反转)
bijian1013
spring
前提条件:在http://www.springsource.org/download网站上下载Spring框架,并将spring.jar、log4j-1.2.15.jar、commons-logging.jar加载至工程1.武器接口
package com.bijian.spring.base3;
public interface Weapon {
void kil
- HR看重的十大技能
bijian1013
提升能力HR成长
一个人掌握何种技能取决于他的兴趣、能力和聪明程度,也取决于他所能支配的资源以及制定的事业目标,拥有过硬技能的人有更多的工作机会。但是,由于经济发展前景不确定,掌握对你的事业有所帮助的技能显得尤为重要。以下是最受雇主欢迎的十种技能。 一、解决问题的能力 每天,我们都要在生活和工作中解决一些综合性的问题。那些能够发现问题、解决问题并迅速作出有效决
- 【Thrift一】Thrift编译安装
bit1129
thrift
什么是Thrift
The Apache Thrift software framework, for scalable cross-language services development, combines a software stack with a code generation engine to build services that work efficiently and s
- 【Avro三】Hadoop MapReduce读写Avro文件
bit1129
mapreduce
Avro是Doug Cutting(此人绝对是神一般的存在)牵头开发的。 开发之初就是围绕着完善Hadoop生态系统的数据处理而开展的(使用Avro作为Hadoop MapReduce需要处理数据序列化和反序列化的场景),因此Hadoop MapReduce集成Avro也就是自然而然的事情。
这个例子是一个简单的Hadoop MapReduce读取Avro格式的源文件进行计数统计,然后将计算结果
- nginx定制500,502,503,504页面
ronin47
nginx 错误显示
server {
listen 80;
error_page 500/500.html;
error_page 502/502.html;
error_page 503/503.html;
error_page 504/504.html;
location /test {return502;}}
配置很简单,和配
- java-1.二叉查找树转为双向链表
bylijinnan
二叉查找树
import java.util.ArrayList;
import java.util.List;
public class BSTreeToLinkedList {
/*
把二元查找树转变成排序的双向链表
题目:
输入一棵二元查找树,将该二元查找树转换成一个排序的双向链表。
要求不能创建任何新的结点,只调整指针的指向。
10
/ \
6 14
/ \
- Netty源码学习-HTTP-tunnel
bylijinnan
javanetty
Netty关于HTTP tunnel的说明:
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/socket/http/package-summary.html#package_description
这个说明有点太简略了
一个完整的例子在这里:
https://github.com/bylijinnan
- JSONUtil.serialize(map)和JSON.toJSONString(map)的区别
coder_xpf
jqueryjsonmapval()
JSONUtil.serialize(map)和JSON.toJSONString(map)的区别
数据库查询出来的map有一个字段为空
通过System.out.println()输出 JSONUtil.serialize(map): {"one":"1","two":"nul
- Hibernate缓存总结
cuishikuan
开源sshjavawebhibernate缓存三大框架
一、为什么要用Hibernate缓存?
Hibernate是一个持久层框架,经常访问物理数据库。
为了降低应用程序对物理数据源访问的频次,从而提高应用程序的运行性能。
缓存内的数据是对物理数据源中的数据的复制,应用程序在运行时从缓存读写数据,在特定的时刻或事件会同步缓存和物理数据源的数据。
二、Hibernate缓存原理是怎样的?
Hibernate缓存包括两大类:Hib
- CentOs6
dalan_123
centos
首先su - 切换到root下面1、首先要先安装GCC GCC-C++ Openssl等以来模块:yum -y install make gcc gcc-c++ kernel-devel m4 ncurses-devel openssl-devel2、再安装ncurses模块yum -y install ncurses-develyum install ncurses-devel3、下载Erang
- 10款用 jquery 实现滚动条至页面底端自动加载数据效果
dcj3sjt126com
JavaScript
无限滚动自动翻页可以说是web2.0时代的一项堪称伟大的技术,它让我们在浏览页面的时候只需要把滚动条拉到网页底部就能自动显示下一页的结果,改变了一直以来只能通过点击下一页来翻页这种常规做法。
无限滚动自动翻页技术的鼻祖是微博的先驱:推特(twitter),后来必应图片搜索、谷歌图片搜索、google reader、箱包批发网等纷纷抄袭了这一项技术,于是靠滚动浏览器滚动条
- ImageButton去边框&Button或者ImageButton的背景透明
dcj3sjt126com
imagebutton
在ImageButton中载入图片后,很多人会觉得有图片周围的白边会影响到美观,其实解决这个问题有两种方法
一种方法是将ImageButton的背景改为所需要的图片。如:android:background="@drawable/XXX"
第二种方法就是将ImageButton背景改为透明,这个方法更常用
在XML里;
<ImageBut
- JSP之c:foreach
eksliang
jspforearch
原文出自:http://www.cnblogs.com/draem0507/archive/2012/09/24/2699745.html
<c:forEach>标签用于通用数据循环,它有以下属性 属 性 描 述 是否必须 缺省值 items 进行循环的项目 否 无 begin 开始条件 否 0 end 结束条件 否 集合中的最后一个项目 step 步长 否 1
- Android实现主动连接蓝牙耳机
gqdy365
android
在Android程序中可以实现自动扫描蓝牙、配对蓝牙、建立数据通道。蓝牙分不同类型,这篇文字只讨论如何与蓝牙耳机连接。
大致可以分三步:
一、扫描蓝牙设备:
1、注册并监听广播:
BluetoothAdapter.ACTION_DISCOVERY_STARTED
BluetoothDevice.ACTION_FOUND
BluetoothAdapter.ACTION_DIS
- android学习轨迹之四:org.json.JSONException: No value for
hyz301
json
org.json.JSONException: No value for items
在JSON解析中会遇到一种错误,很常见的错误
06-21 12:19:08.714 2098-2127/com.jikexueyuan.secret I/System.out﹕ Result:{"status":1,"page":1,&
- 干货分享:从零开始学编程 系列汇总
justjavac
编程
程序员总爱重新发明轮子,于是做了要给轮子汇总。
从零开始写个编译器吧系列 (知乎专栏)
从零开始写一个简单的操作系统 (伯乐在线)
从零开始写JavaScript框架 (图灵社区)
从零开始写jQuery框架 (蓝色理想 )
从零开始nodejs系列文章 (粉丝日志)
从零开始编写网络游戏 
- jquery-autocomplete 使用手册
macroli
jqueryAjax脚本
jquery-autocomplete学习
一、用前必备
官方网站:http://bassistance.de/jquery-plugins/jquery-plugin-autocomplete/
当前版本:1.1
需要JQuery版本:1.2.6
二、使用
<script src="./jquery-1.3.2.js" type="text/ja
- PLSQL-Developer或者Navicat等工具连接远程oracle数据库的详细配置以及数据库编码的修改
超声波
oracleplsql
在服务器上将Oracle安装好之后接下来要做的就是通过本地机器来远程连接服务器端的oracle数据库,常用的客户端连接工具就是PLSQL-Developer或者Navicat这些工具了。刚开始也是各种报错,什么TNS:no listener;TNS:lost connection;TNS:target hosts...花了一天的时间终于让PLSQL-Developer和Navicat等这些客户
- 数据仓库数据模型之:极限存储--历史拉链表
superlxw1234
极限存储数据仓库数据模型拉链历史表
在数据仓库的数据模型设计过程中,经常会遇到这样的需求:
1. 数据量比较大; 2. 表中的部分字段会被update,如用户的地址,产品的描述信息,订单的状态等等; 3. 需要查看某一个时间点或者时间段的历史快照信息,比如,查看某一个订单在历史某一个时间点的状态, 比如,查看某一个用户在过去某一段时间内,更新过几次等等; 4. 变化的比例和频率不是很大,比如,总共有10
- 10点睛Spring MVC4.1-全局异常处理
wiselyman
spring mvc
10.1 全局异常处理
使用@ControllerAdvice注解来实现全局异常处理;
使用@ControllerAdvice的属性缩小处理范围
10.2 演示
演示控制器
package com.wisely.web;
import org.springframework.stereotype.Controller;
import org.spring