- 【sklearn 02】监督学习、非监督下学习、强化学习
@金色海岸
sklearn学习人工智能
监督学习、非监督学习、强化学习**机器学习通常分为无监督学习、监督学习和强化学习三类。-第一类:无监督学习(unsupervisedlearning),指的是从信息出发自动寻找规律,分析数据的结构,常见的无监督学习任务有聚类、降维、密度估计、关联分析等。-第二类:监督学习(supervisedlearning),监督学习指的是使用带标签的数据去训练模型,并预测未知数据的标签。监督学习有两种,当预测
- MeanShift聚类分割算法
点云学习
c++pcl点云处理聚类算法pcl点云处理PCL3D视觉
目录1MeanShift算法的数学原理1.密度估计2.均值向量计算3.位置更新4.收敛条件2MeanShift算法的详细步骤1初始化2迭代过程3聚类3示例代码1MeanShift算法的数学原理MeanShift算法的核心思想是通过在高维空间中计算密度梯度并进行移动,找到数据点的密度峰值,从而实现聚类。下面详细介绍该算法的数学原理和每一步的推理公式。1.密度估计MeanShift算法通过核密度估计(
- Mean Shift聚类算法深度解析与实战指南
万事可爱^
机器学习修仙之旅#无监督学习算法聚类数据挖掘MeanShift均值漂移聚类均值算法
一、算法全景视角MeanShift(均值漂移)是一种基于密度梯度上升的非参数聚类算法,无需预设聚类数量,通过迭代寻找概率密度函数的局部最大值完成聚类。该算法在图像分割、目标跟踪等领域有广泛应用,尤其擅长处理任意形状的密度分布。二、核心原理剖析2.1核密度估计使用核函数对数据分布进行平滑估计,高斯核函数为:K(x)=12πhe−x22h2K(x)=\frac{1}{\sqrt{2\pi}h}e^{-
- 【解读】核密度图
dearr__
python开发语言
def:what核密度估计(KernelDensityEstimation,简称KDE)是一种用来估计随机变量概率密度函数的非参数方法实现:(库函数)howimportseabornassnsimportmatplotlib.pyplotasplt#使用Seaborn绘制KDE图sns.kdeplot(data,shade=True)#添加标签和标题plt.xlabel('Data')plt.yl
- CPD(Coherent Point Drift)非刚性点云配准算法
点云SLAM
点云数据处理技术算法概率论机器学习非刚性配准CPD配准算法EM算法非刚性拼接
CPD(CoherentPointDrift)非刚性点云配准算法详解一、算法概述CPD(CoherentPointDrift)是一种基于概率模型的非刚性点云配准方法,由AndriyMyronenko等人在2009年提出。它通过将点云配准问题转化为概率密度估计问题,结合高斯混合模型(GMM)与正则化形变场,能够有效处理复杂形变(如人体运动、器官形变)的点云对齐任务。核心特点:非刚性对齐:支持大范围、
- pythonmatplotlib绘图小提琴,Matplotlib提琴图
极品小神蛋
本篇文章帮大家学习Matplotlib提琴图,包含了Matplotlib提琴图使用方法、操作技巧、实例演示和注意事项,有一定的学习价值,大家可以用来参考。小提琴图类似于箱形图,除了它们还显示不同值的数据的概率密度。这些图包括数据中位数的标记和表示四分位数范围的框,如标准框图中所示。在该箱图上叠加的是核密度估计。与箱形图一样,小提琴图用于表示跨不同“类别”的可变分布(或样本分布)的比较。小提琴图形比
- Python 绘图进阶之小提琴图:探索数据分布与多样性
AIDD Learning
Python绘图python开发语言小提琴图数据可视化信息可视化
Python绘图进阶之小提琴图:探索数据分布与多样性引言在数据分析和可视化中,了解数据的分布是至关重要的。除了常用的箱线图外,小提琴图(ViolinPlot)提供了一种更具信息量的可视化方法,它结合了箱线图和核密度估计图的优点,能够展示数据分布的形状、集中趋势以及数据的多样性。本文将带你深入探索如何使用Python绘制小提琴图,并通过实例理解它在数据分析中的独特价值。一、小提琴图的基本概念小提琴图
- python制图之小提琴图
pianmian1
python信息可视化开发语言
提琴图(ViolinPlot)是一种结合了箱线图(BoxPlot)和核密度估计(KernelDensityEstimation,KDE)的可视化工具,用于展示数据的分布情况和概率密度。它在数据可视化中具有独特的作用.本节我们学习如何使用python绘制提琴图#导入所需的库importmatplotlib.pyplotasplt#用于绘图importnumpyasnp#用于数值计算importpan
- pythonmatplotlib绘图小提琴_Matplotlib提琴图
weixin_39797393
小提琴图类似于箱形图,除了它们还显示不同值的数据的概率密度。这些图包括数据中位数的标记和表示四分位数范围的框,如标准框图中所示。在该箱图上叠加的是核密度估计。与箱形图一样,小提琴图用于表示跨不同“类别”的可变分布(或样本分布)的比较。小提琴图形比普通图形更具信息性。事实上,虽然箱形图仅显示平均值/中位数和四分位数范围等汇总统计量,但小提琴图显示了数据的完整分布。importmatplotlib.p
- 用python绘制kde模型
若木胡
python开发语言
以下是使用Python绘制核密度估计(KernelDensityEstimation,KDE)模型的完整示例代码和说明:方法1:使用Seaborn快速绘制importnumpyasnpimportmatplotlib.pyplotaspltimportseabornassns#生成示例数据(混合高斯分布)data=np.concatenate([np.random.normal(0,1,500),
- 为什么从没有负值的数据中绘制的小提琴图(Violin Plot)会出现负值部分?
叶庭云
装库报错异常解决等Python数据可视化小提琴图seabornmatplotlib
CSDN叶庭云:https://yetingyun.blog.csdn.net/小提琴图(ViolinPlot)是一种用于展示和比较数据分布的可视化工具。它结合了箱形图(BoxPlot)和密度图(KernelDensityPlot)的特点:中间有箱形图表示四分位数和中位数,外围是密度估计曲线,显示数据分布的密度。这种设计旨在提供关于数据分布形状、峰度和离散性的直观信息。小提琴图(ViolinPlo
- 【机器学习】数据清洗之识别异常点
甜美的江
机器学习机器学习信息可视化人工智能
个人主页:甜美的江欢迎点赞✍评论⭐收藏收录专栏:机器学习希望本文对您有所裨益,如有不足之处,欢迎在评论区提出指正,让我们共同学习、交流进步!数据清洗之识别异常点一认识异常值1.1概念1.2危害1.3和缺失值的比较二基于统计方法的异常值检测2.1标准差方法:2.2Z-Score方法:2.3两种方法的优缺点三箱线图(BoxPlot):3.1箱线图概念3.2箱线图检测异常值四密度估计方法:4.1数据的密
- r语言有限正态混合模型EM算法的分层聚类、分类和密度估计及可视化|附代码数据
数据挖掘深度学习机器学习算法
原文链接:http://tecdat.cn/?p=23825最近我们被客户要求撰写关于有限正态混合模型EM算法的研究报告,包括一些图形和统计输出。简介本文介绍了基于有限正态混合模型在r软件中的实现,用于基于模型的聚类、分类和密度估计。提供了通过EM算法对具有各种协方差结构的正态混合模型进行参数估计的函数,以及根据这些模型进行模拟的函数。此外,还包括将基于模型的分层聚类、混合分布估计的EM和贝叶斯信
- task 13 集成学习
罐罐儿111
蒸汽量预测1.特征工程一般流程:1.去掉无用特征2.去掉冗余特征3.利用存在的特征、特征转换、内容中的特征以及其他数据源生成新特征4.特征转换(数值化、类别转换、归一化)5.特征处理(异常值、最大值、最小值、缺失值)观察特征核密度估计,已知散点图,做回归,要求连线尽可能平滑,大致观察数据的分布情况。在本例中,通过核密度估计,观察训练集与测试集数据的分布情况,从而删除不具有相似分布的属性值计算相关性
- [Python] KDE图[密度图(Kernel Density Estimate,核密度估计)]介绍和使用场景(案例)
老狼IT工作室
pythonpythonKDE密度分布图
KDE图是什么?核密度估计(KernelDensityEstimate,KDE)是一种非参数统计方法,用于估计未知随机变量的概率分布。它通过在每个数据点附近放置一个核函数,并将这些核函数加总起来,得到对概率分布的估计。KDE的主要思想是通过在每个数据点附近放置一个核函数来估计概率分布。核函数可以是各种形式,常用的有高斯核、均匀核等。核函数在数据点附近产生一个非负的函数值,表示该点附近的概率密度。然
- 【计算机视觉】计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记
暖焱
#深度学习计算机视觉机器学习
计算机视觉与深度学习-10-生成网络-北邮鲁鹏老师课程笔记无监督学习聚类K-means降维线性降维主成分分析非线性降维自编码特征学习密度估计贝叶斯决策生成模型生成模型的应用生成模型分类密度估计参考密度估计分类显示的密度估计PixelRNNandPixelCNNVariationalAutoencoders(VAE)隐式的密度估计GANPixelRNNandPixelCNNPixelRNN与Pixe
- 【代码推荐指南】时间序列与回归分类预测、电力系统运行优化与规划
电力系统爱好者
回归分类数据挖掘
专题推荐:论文推荐,代码分享,视角(点击即可跳转)【代码分享】基于最小二乘支持向量机(LSSVM)+自适应带宽核函数密度估计(ABKDE)的多变量回归预测推荐理由:基于最小二乘支持向量机结合自适应带宽核函数密度估计的多变量回归预测(点预测+概率预测+核密度估计),导入数据即可,无需任何调试。代码具有一定创新性,注释详细!多变量单输出,包括点预测+概率预测+核密度估计曲线,MatlabR2021a及
- 【数据可视化】柱状图绘制
小Z的科研日常
数据可视化python信息可视化
01、引言本文涵盖主题:基本柱状图、分组柱状图、核密度估计与堆叠柱状图、步进图与多边形图。数据来源:penguins.csvtips.csv使用工具:SeabornMatplotlib首先,确保已经安装了Python和pip包管理工具。然后,在命令行中执行以下命令来安装Seaborn库和Matplotlib库:#seaborn库 :pipinstallseaborn #Matplotlib库:pi
- 看书标记【数据科学:R语言实战 1】
小胡涂记
R语言资料实现r语言开发语言
看书标记——R语言Chapter1模式的数据挖掘1.1聚类分析1.1.1k-means聚类用法示例1.1.2k-medoids聚类用法示例1.1.3分层聚类用法示例1.1.4期望最大化(EM)用法示例1.1.5密度估计用法示例1.2异常检测1.2.1显示异常值示例1示例2示例31.2.2计算异常值示例1(用name函数创建异常)示例2(DMwR中的lofactor函数)1.3关联规则(购物篮分析)
- 绘图提高篇 | ggplot2+sf 核密度空间插值可视化绘制
数据魅力(DataCharm)
数据可视化人工智能数据可视化论文阅读考研数据分析r语言
上篇推文我们介绍了使用Python的plotnine、Basemap包对空间kde插值结果进行了可视化绘制,当然也包括了具体的插值过程,详细内容大家可以点击下方链接查看:Python-plotnine核密度空间插值可视化绘制、Python-Basemap核密度空间插值可视化绘制。本期推文我们就介绍下使用R进行核密度估计、空间插值计算以及ggplot2+sf的可视化绘制操作。涉及的主要知识点如下:R
- 【MATLAB基础绘图第20棒】云雨图
WW、forever
#MATLAB图形绘制技巧MATLAB云雨图
MATLAB绘制云雨图云雨图(Raincloudplots)MATLAB绘制云雨图横向云雨图竖向云雨图参考云雨图(Raincloudplots)云雨图(Raincloudplots)其实是可以看成核密度估计曲线图、箱形图和抖动散点图的组合图,清晰、完整、美观地展示了所有数据信息。本质上是一个混合图,可同时将原始数据、数据分布和关键汇总统计表现出来,由对分的小提琴图(Violinplot)、箱线图(
- 区间预测 | Matlab实现GRU-Adaboost-ABKDE的集成门控循环单元自适应带宽核密度估计多变量回归区间预测
机器学习之心
区间预测GRU-AdaboostABKDE自适应带宽核密度估计多变量回归区间预测集成门控循环单元
区间预测|Matlab实现GRU-Adaboost-ABKDE的集成门控循环单元自适应带宽核密度估计多变量回归区间预测目录区间预测|Matlab实现GRU-Adaboost-ABKDE的集成门控循环单元自适应带宽核密度估计多变量回归区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.Matlab实现GRU-Adaboost-ABKDE的集成门控循环单元自适应带宽核密度估计多变量回归区间预测
- 区间预测 | Matlab实现BiLSTM-Adaboost-ABKDE的集成双向长短期记忆网络自适应带宽核密度估计多变量回归区间预测
机器学习之心
区间预测BiLSTM-AdaboostABKDE集成双向长短期记忆网络自适应带宽核密度估计多变量回归区间预测
区间预测|Matlab实现BiLSTM-Adaboost-ABKDE的集成双向长短期记忆网络自适应带宽核密度估计多变量回归区间预测目录区间预测|Matlab实现BiLSTM-Adaboost-ABKDE的集成双向长短期记忆网络自适应带宽核密度估计多变量回归区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.Matlab实现BiLSTM-Adaboost-ABKDE的集成学习双向长短期记忆神
- 区间预测 | Matlab实现LSTM-Adaboost-ABKDE的集成学习长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测
机器学习之心
区间预测LSTM-AdaboostABKDE集成学习长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测
区间预测|Matlab实现LSTM-Adaboost-ABKDE的集成学习长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测目录区间预测|Matlab实现LSTM-Adaboost-ABKDE的集成学习长短期记忆神经网络自适应带宽核密度估计多变量回归区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.Matlab实现LSTM-Adaboost-ABKDE的集成学习长短期记忆神经网络结
- 区间预测 | Matlab实现LSSVM-ABKDE的最小二乘支持向量机结合自适应带宽核密度估计多变量回归区间预测
机器学习之心
区间预测LSSVM-ABKDE最小二乘支持向量机自适应带宽核密度估计多变量回归区间预测
区间预测|Matlab实现LSSVM-ABKDE的最小二乘支持向量机结合自适应带宽核密度估计多变量回归区间预测目录区间预测|Matlab实现LSSVM-ABKDE的最小二乘支持向量机结合自适应带宽核密度估计多变量回归区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.Matlab实现LSSVM-ABKDE基于最小二乘支持向量机结合自适应带宽核函数密度估计的多变量回归区间预测(完整源码和数据
- python统计分析——小提琴图(plt.violinplot)
maizeman126
python数据分析数据可视化统计
参考资料:用python动手学统计学,帮助文档使用matplotlib.pyplot.violinplot()函数绘制小提琴图小提琴图是将数值型数据的核密度图与箱线图融合在一起,具体来说是用核密度估计的结果替换了箱子,而形成的一个形似小提琴的图形。importnumpyasnpimportpandasaspdfrommatplotlibimportpyplotaspltser=pd.Series(
- 统计学-R语言-3
柔雾
r语言开发语言
文章目录前言给直方图增加正态曲线的不恰当之处直方图与条形图的区别核密度图时间序列图洛伦茨曲线计算绘制洛伦茨曲线所需的各百分比数值绘制洛伦茨曲线练习前言本篇文章是介绍对数据的部分图形可视化的图型展现。给直方图增加正态曲线的不恰当之处需要注意的是,给直方图拟合正态分布曲线并非总是适用,有时甚至是荒谬的,容易产生误导。合理的做法是为直方图拟合一条核密度估计曲线,它是数据实际分布的一种近似描述。下面通过一
- 区间预测 | Matlab实现CNN-BiLSTM-KDE的卷积双向长短期神经网络结合核密度估计多变量时序区间预测
机器学习之心
区间预测CNN-BiLSTM-KDECNN-BiLSTM卷积双向长短期神经网络核密度估计多变量时序区间预测
区间预测|Matlab实现CNN-BiLSTM-KDE的卷积双向长短期神经网络结合核密度估计多变量时序区间预测目录区间预测|Matlab实现CNN-BiLSTM-KDE的卷积双向长短期神经网络结合核密度估计多变量时序区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.CNN-BiLSTM-KDE多变量时间序列区间预测,基于卷积双向长短期记忆神经网络多变量时序区间预测,卷积双向长短期记忆神经
- 区间预测 | Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测
机器学习之心
区间预测CNN-LSTM-KDECNN-LSTM卷积长短期神经网络核密度估计多变量时序区间预测
区间预测|Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测目录区间预测|Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测效果一览基本介绍程序设计参考资料效果一览基本介绍1.CNN-LSTM-KDE多变量时间序列区间预测,基于卷积长短期记忆神经网络多变量时序区间预测,卷积长短期记忆神经网络的核密度估计下置信区间预
- 植株计数-密度估计-从高分辨率RGB图像中快速实现高通量植物计数
OverlordDuke
计数神经网络CNNpython密度估计植株计数
TasselNetv2+TasselNetv2+亮点安装准备数据推断训练使用自己的数据集引用TasselNetv2+该存储库包含TasselNetv2+用于植物计数的官方实现,详见论文:TasselNetv2+:AFastImplementationforHigh-ThroughputPlantCountingfromHigh-ResolutionRGBImagery《植物科学前沿》,2020郝路
- 关于旗正规则引擎中的MD5加密问题
何必如此
jspMD5规则加密
一般情况下,为了防止个人隐私的泄露,我们都会对用户登录密码进行加密,使数据库相应字段保存的是加密后的字符串,而非原始密码。
在旗正规则引擎中,通过外部调用,可以实现MD5的加密,具体步骤如下:
1.在对象库中选择外部调用,选择“com.flagleader.util.MD5”,在子选项中选择“com.flagleader.util.MD5.getMD5ofStr({arg1})”;
2.在规
- 【Spark101】Scala Promise/Future在Spark中的应用
bit1129
Promise
Promise和Future是Scala用于异步调用并实现结果汇集的并发原语,Scala的Future同JUC里面的Future接口含义相同,Promise理解起来就有些绕。等有时间了再仔细的研究下Promise和Future的语义以及应用场景,具体参见Scala在线文档:http://docs.scala-lang.org/sips/completed/futures-promises.html
- spark sql 访问hive数据的配置详解
daizj
spark sqlhivethriftserver
spark sql 能够通过thriftserver 访问hive数据,默认spark编译的版本是不支持访问hive,因为hive依赖比较多,因此打的包中不包含hive和thriftserver,因此需要自己下载源码进行编译,将hive,thriftserver打包进去才能够访问,详细配置步骤如下:
1、下载源码
2、下载Maven,并配置
此配置简单,就略过
- HTTP 协议通信
周凡杨
javahttpclienthttp通信
一:简介
HTTPCLIENT,通过JAVA基于HTTP协议进行点与点间的通信!
二: 代码举例
测试类:
import java
- java unix时间戳转换
g21121
java
把java时间戳转换成unix时间戳:
Timestamp appointTime=Timestamp.valueOf(new SimpleDateFormat("yyyy-MM-dd HH:mm:ss").format(new Date()))
SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd hh:m
- web报表工具FineReport常用函数的用法总结(报表函数)
老A不折腾
web报表finereport总结
说明:本次总结中,凡是以tableName或viewName作为参数因子的。函数在调用的时候均按照先从私有数据源中查找,然后再从公有数据源中查找的顺序。
CLASS
CLASS(object):返回object对象的所属的类。
CNMONEY
CNMONEY(number,unit)返回人民币大写。
number:需要转换的数值型的数。
unit:单位,
- java jni调用c++ 代码 报错
墙头上一根草
javaC++jni
#
# A fatal error has been detected by the Java Runtime Environment:
#
# EXCEPTION_ACCESS_VIOLATION (0xc0000005) at pc=0x00000000777c3290, pid=5632, tid=6656
#
# JRE version: Java(TM) SE Ru
- Spring中事件处理de小技巧
aijuans
springSpring 教程Spring 实例Spring 入门Spring3
Spring 中提供一些Aware相关de接口,BeanFactoryAware、 ApplicationContextAware、ResourceLoaderAware、ServletContextAware等等,其中最常用到de匙ApplicationContextAware.实现ApplicationContextAwaredeBean,在Bean被初始后,将会被注入 Applicati
- linux shell ls脚本样例
annan211
linuxlinux ls源码linux 源码
#! /bin/sh -
#查找输入文件的路径
#在查找路径下寻找一个或多个原始文件或文件模式
# 查找路径由特定的环境变量所定义
#标准输出所产生的结果 通常是查找路径下找到的每个文件的第一个实体的完整路径
# 或是filename :not found 的标准错误输出。
#如果文件没有找到 则退出码为0
#否则 即为找不到的文件个数
#语法 pathfind [--
- List,Set,Map遍历方式 (收集的资源,值得看一下)
百合不是茶
listsetMap遍历方式
List特点:元素有放入顺序,元素可重复
Map特点:元素按键值对存储,无放入顺序
Set特点:元素无放入顺序,元素不可重复(注意:元素虽然无放入顺序,但是元素在set中的位置是有该元素的HashCode决定的,其位置其实是固定的)
List接口有三个实现类:LinkedList,ArrayList,Vector
LinkedList:底层基于链表实现,链表内存是散乱的,每一个元素存储本身
- 解决SimpleDateFormat的线程不安全问题的方法
bijian1013
javathread线程安全
在Java项目中,我们通常会自己写一个DateUtil类,处理日期和字符串的转换,如下所示:
public class DateUtil01 {
private SimpleDateFormat dateformat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
public void format(Date d
- http请求测试实例(采用fastjson解析)
bijian1013
http测试
在实际开发中,我们经常会去做http请求的开发,下面则是如何请求的单元测试小实例,仅供参考。
import java.util.HashMap;
import java.util.Map;
import org.apache.commons.httpclient.HttpClient;
import
- 【RPC框架Hessian三】Hessian 异常处理
bit1129
hessian
RPC异常处理概述
RPC异常处理指是,当客户端调用远端的服务,如果服务执行过程中发生异常,这个异常能否序列到客户端?
如果服务在执行过程中可能发生异常,那么在服务接口的声明中,就该声明该接口可能抛出的异常。
在Hessian中,服务器端发生异常,可以将异常信息从服务器端序列化到客户端,因为Exception本身是实现了Serializable的
- 【日志分析】日志分析工具
bit1129
日志分析
1. 网站日志实时分析工具 GoAccess
http://www.vpsee.com/2014/02/a-real-time-web-log-analyzer-goaccess/
2. 通过日志监控并收集 Java 应用程序性能数据(Perf4J)
http://www.ibm.com/developerworks/cn/java/j-lo-logforperf/
3.log.io
和
- nginx优化加强战斗力及遇到的坑解决
ronin47
nginx 优化
先说遇到个坑,第一个是负载问题,这个问题与架构有关,由于我设计架构多了两层,结果导致会话负载只转向一个。解决这样的问题思路有两个:一是改变负载策略,二是更改架构设计。
由于采用动静分离部署,而nginx又设计了静态,结果客户端去读nginx静态,访问量上来,页面加载很慢。解决:二者留其一。最好是保留apache服务器。
来以下优化:
- java-50-输入两棵二叉树A和B,判断树B是不是A的子结构
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/25411174201011445550396/
import ljn.help.*;
public class HasSubtree {
/**Q50.
* 输入两棵二叉树A和B,判断树B是不是A的子结构。
例如,下图中的两棵树A和B,由于A中有一部分子树的结构和B是一
- mongoDB 备份与恢复
开窍的石头
mongDB备份与恢复
Mongodb导出与导入
1: 导入/导出可以操作的是本地的mongodb服务器,也可以是远程的.
所以,都有如下通用选项:
-h host 主机
--port port 端口
-u username 用户名
-p passwd 密码
2: mongoexport 导出json格式的文件
- [网络与通讯]椭圆轨道计算的一些问题
comsci
网络
如果按照中国古代农历的历法,现在应该是某个季节的开始,但是由于农历历法是3000年前的天文观测数据,如果按照现在的天文学记录来进行修正的话,这个季节已经过去一段时间了。。。。。
也就是说,还要再等3000年。才有机会了,太阳系的行星的椭圆轨道受到外来天体的干扰,轨道次序发生了变
- 软件专利如何申请
cuiyadll
软件专利申请
软件技术可以申请软件著作权以保护软件源代码,也可以申请发明专利以保护软件流程中的步骤执行方式。专利保护的是软件解决问题的思想,而软件著作权保护的是软件代码(即软件思想的表达形式)。例如,离线传送文件,那发明专利保护是如何实现离线传送文件。基于相同的软件思想,但实现离线传送的程序代码有千千万万种,每种代码都可以享有各自的软件著作权。申请一个软件发明专利的代理费大概需要5000-8000申请发明专利可
- Android学习笔记
darrenzhu
android
1.启动一个AVD
2.命令行运行adb shell可连接到AVD,这也就是命令行客户端
3.如何启动一个程序
am start -n package name/.activityName
am start -n com.example.helloworld/.MainActivity
启动Android设置工具的命令如下所示:
# am start -
- apache虚拟机配置,本地多域名访问本地网站
dcj3sjt126com
apache
现在假定你有两个目录,一个存在于 /htdocs/a,另一个存在于 /htdocs/b 。
现在你想要在本地测试的时候访问 www.freeman.com 对应的目录是 /xampp/htdocs/freeman ,访问 www.duchengjiu.com 对应的目录是 /htdocs/duchengjiu。
1、首先修改C盘WINDOWS\system32\drivers\etc目录下的
- yii2 restful web服务[速率限制]
dcj3sjt126com
PHPyii2
速率限制
为防止滥用,你应该考虑增加速率限制到您的API。 例如,您可以限制每个用户的API的使用是在10分钟内最多100次的API调用。 如果一个用户同一个时间段内太多的请求被接收, 将返回响应状态代码 429 (这意味着过多的请求)。
要启用速率限制, [[yii\web\User::identityClass|user identity class]] 应该实现 [[yii\filter
- Hadoop2.5.2安装——单机模式
eksliang
hadoophadoop单机部署
转载请出自出处:http://eksliang.iteye.com/blog/2185414 一、概述
Hadoop有三种模式 单机模式、伪分布模式和完全分布模式,这里先简单介绍单机模式 ,默认情况下,Hadoop被配置成一个非分布式模式,独立运行JAVA进程,适合开始做调试工作。
二、下载地址
Hadoop 网址http:
- LoadMoreListView+SwipeRefreshLayout(分页下拉)基本结构
gundumw100
android
一切为了快速迭代
import java.util.ArrayList;
import org.json.JSONObject;
import android.animation.ObjectAnimator;
import android.os.Bundle;
import android.support.v4.widget.SwipeRefreshLayo
- 三道简单的前端HTML/CSS题目
ini
htmlWeb前端css题目
使用CSS为多个网页进行相同风格的布局和外观设置时,为了方便对这些网页进行修改,最好使用( )。http://hovertree.com/shortanswer/bjae/7bd72acca3206862.htm
在HTML中加入<table style=”color:red; font-size:10pt”>,此为( )。http://hovertree.com/s
- overrided方法编译错误
kane_xie
override
问题描述:
在实现类中的某一或某几个Override方法发生编译错误如下:
Name clash: The method put(String) of type XXXServiceImpl has the same erasure as put(String) of type XXXService but does not override it
当去掉@Over
- Java中使用代理IP获取网址内容(防IP被封,做数据爬虫)
mcj8089
免费代理IP代理IP数据爬虫JAVA设置代理IP爬虫封IP
推荐两个代理IP网站:
1. 全网代理IP:http://proxy.goubanjia.com/
2. 敲代码免费IP:http://ip.qiaodm.com/
Java语言有两种方式使用代理IP访问网址并获取内容,
方式一,设置System系统属性
// 设置代理IP
System.getProper
- Nodejs Express 报错之 listen EADDRINUSE
qiaolevip
每天进步一点点学习永无止境nodejs纵观千象
当你启动 nodejs服务报错:
>node app
Express server listening on port 80
events.js:85
throw er; // Unhandled 'error' event
^
Error: listen EADDRINUSE
at exports._errnoException (
- C++中三种new的用法
_荆棘鸟_
C++new
转载自:http://news.ccidnet.com/art/32855/20100713/2114025_1.html
作者: mt
其一是new operator,也叫new表达式;其二是operator new,也叫new操作符。这两个英文名称起的也太绝了,很容易搞混,那就记中文名称吧。new表达式比较常见,也最常用,例如:
string* ps = new string("
- Ruby深入研究笔记1
wudixiaotie
Ruby
module是可以定义private方法的
module MTest
def aaa
puts "aaa"
private_method
end
private
def private_method
puts "this is private_method"
end
end