- 数学建模-基于熵权法对Topsis模型的修正
啥都想学点的研究生
矩阵线性代数
topsis模型赋予权重有层次分析法,但层次分析法也有其弊端。层次分析法最大的缺点:判断矩阵的确定依赖于专家,如果专家的判断存在主观性的话,会对结果产生很大的影响。(主观性太强)针对层次分析法主观性太强的弊端,我们可以采用熵权法给topsis评价模型的各个指标赋权。如何度量信息量的大小,以小明和小王的例子为例:建立信息量I(x)和P(x)之间的关系:信息熵的定义:信息熵越大,信息量是越大还是越小呢
- 决策树(decision tree)
a15957199647
机器学习数据
决策树就是像树结构一样的分类下去,最后来预测输入样本的属于那类标签。本文是本人的学习笔记,所以有些地方也不是很清楚。大概流程就是1.查看子类是否属于同一个类2.如果是,返回类标签,如果不是,找到最佳的分类子集的特征3.划分数据集4.创建分支节点5.对每一个节点重复上述步骤6.返回树首先我们要像一个办法,怎么来确定最佳的分类特征就是为什么要这么划分子集。一般有三种方法:1.Gini不纯度2.信息熵3
- 蓝桥杯:01串的熵讲解(C++)
DaveVV
蓝桥杯c++蓝桥杯c++c语言算法数据结构
01串的熵本题来自于:2023年十四届省赛大学B组真题(共10道题)主要考察:暴力。代码放在下面,代码中重要的细节全都写了注释,非常清晰明了:#includeusingnamespacestd;intmain(){//请在此输入您的代码intn=23333333;//01串的长度doubletarget=11625907.5798;//信息熵的目标值for(inti=0;i(i)/n;//强转,让
- 机器学习3----决策树
pyniu
机器学习机器学习决策树人工智能
这是前期准备importnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt#ID3算法#每个特征的信息熵#target:账号是否真实,共2种情况#yes7个p=0.7#no3个p=0.3info_D=-(0.7*np.log2(0.7)+0.3*np.log2(0.3))info_D#日志密度L#日志密度3种结果#s3个0.31yes,2no
- [机器学习]决策树
LBENULL
决策树决策树学习采用的是自顶向下的递归方法,其基本思想是以信息熵为度量构造一颗熵值下降最快的树,到叶子节点处,熵值为0具有非常好的可解释性、分类速度快的优点,是一种有监督学习最早提及决策树思想的是Quinlan在1986年提出的ID3算法和1993年提出的C4.5算法,以及Breiman等人在1984年提出的CART算法工作原理一般的,一颗决策树包含一个根结点、若干个内部节点和若干个叶节点构造构造
- Python实现熵权法:客观求指标数据的权重
乌漆帅黑
python开发语言算法
介绍:熵权法(EntropyWeightMethod)是一种常用的多指标权重确定方法,用于评价指标之间的重要程度。它基于信息熵理论,通过计算指标数据的熵值和权重,实现客观、科学地确定指标权重,以辅助决策分析和多指标优化问题的解决。本文将介绍熵权法的基本原理,并提供Python编程语言的实现过程及示例代码,帮助理解和应用熵权法。目录1.数据准备2.计算指标熵值3.计算指标权重4.示例应用5.完整代码
- 100天搞定机器学习|Day55 最大熵模型
统计学家
1、熵的定义熵最早是一个物理学概念,由克劳修斯于1854年提出,它是描述事物无序性的参数,跟热力学第二定律的宏观方向性有关:在不加外力的情况下,总是往混乱状态改变。熵增是宇宙的基本定律,自然的有序状态会自发的逐步变为混沌状态。1948年,香农将熵的概念引申到信道通信的过程中,从而开创了”信息论“这门学科。香农用“信息熵”来描述随机变量的不确定程度,也即信息量的数学期望。关于信息熵、条件熵、联合熵、
- 机器学习:分类决策树(Python)
捕捉一只Diu
python机器学习决策树笔记
一、各种熵的计算entropy_utils.pyimportnumpyasnp#数值计算importmath#标量数据的计算classEntropyUtils:"""决策树中各种熵的计算,包括信息熵、信息增益、信息增益率、基尼指数。统一要求:按照信息增益最大、信息增益率最大、基尼指数增益最大"""@staticmethoddef_set_sample_weight(sample_weight,n_
- 新中特复习笔记二——章节整理上(上海交通大学)
懒总不想学习想睡觉
研狗--学习笔记笔记学习
前言本文根据复习ppt整理,猜测考点与题型均为老师的个人猜测,不做保证。感觉很多知识点重在理解,大家有空可以把对应的前后文看看!祝大家身体健康,考试顺利!!ps:本文是博主复初愈下整理的,脑子感觉不太好,可能有很多遗漏或者错误的地方,欢迎大家指出,随时更正!pps:上课视频过长且信息熵感觉有点低,这次就不分享了哈以及感谢大家的厚爱,i人非常感动也非常惶恐题目类型:单选,10个,20分多选,10个,
- 新中特复习笔记三——章节整理下(上海交通大学)
懒总不想学习想睡觉
研狗--学习笔记笔记学习
前言本文根据复习ppt整理,猜测考点与题型均为老师的个人猜测,不做保证。感觉很多知识点重在理解,大家有空可以把对应的前后文看看!祝大家身体健康,考试顺利!!ps:本文是博主复初愈下整理的,脑子感觉不太好,可能有很多遗漏或者错误的地方,欢迎大家指出,随时更正!pps:上课视频过长且信息熵感觉有点低,这次就不分享了哈以及感谢大家的厚爱,i人非常感动也非常惶恐题目类型:单选,10个,20分多选,10个,
- 新中特复习笔记一——论述题(上海交通大学)
懒总不想学习想睡觉
研狗--学习笔记笔记学习
前言本文根据复习ppt整理,猜测考点与题型均为老师的个人猜测,不做保证。感觉很多知识点重在理解,大家有空可以把对应的前后文看看!祝大家身体健康,考试顺利!!ps:本文是博主复初愈下整理的,脑子感觉不太好,可能有很多遗漏或者错误的地方,欢迎大家指出,随时更正!pps:上课视频过长且信息熵感觉有点低,这次就不分享了哈以及感谢大家的厚爱,i人非常感动也非常惶恐题目类型:单选,10个,20分多选,10个,
- 熵:信息熵、交叉熵、相对熵
Reore
信息熵信息熵H(X)可以看做,对X中的样本进行编码所需要的编码长度的期望值。交叉熵交叉熵可以理解为,现在有两个分布,真实分布p和非真实分布q,我们的样本来自真实分布p。按照真实分布p来编码样本所需的编码长度的期望为,这就是上面说的信息熵H(p)按照不真实分布q来编码样本所需的编码长度的期望为,这就是所谓的交叉熵H(p,q)相对熵这里引申出KL散度D(p||q)=H(p,q)-H(p)=,也叫做相对
- CDA二级建模分析师考试记录
啾啾二一
文by亲爱的雪莉考试方式是机考,单选+多选+实操题。选择题是用考场的电脑。实操题是考官现场用U盘把资料数据拷贝到你的电脑,2个小时后将数据结果和代码打包再拷贝到考官的U盘(这波操作好low)。选择题主要就是备考手册里的内容,多选题必须全部选对才得分,漏选不得分。题目来说有点翻来覆去,比如计算信息熵,一口气考了四道题,每个1分。其实考试更多是考内容理解,计算同类型考这么多没啥意义。虽说不公布真题,官
- 分类模型的机器学习算法
青椒rose炒饭
决策树为输入选择正确标签的流程图。叶子节点为标签,其他的节点为决策节点。决策树桩只有一个节点的决策树,基于一个特征为输入分类。要建立树桩首先应该决定哪些特征应该使用。最简单的办法是为每一个特征都建立决策树桩然后在训练集上测试选择得分最高的特征。熵和信息增益衡量原始集合的无序程度就需要计算他们的标签的信息熵,如果标签非常不同熵就高,如果标签相同则熵就低。熵每个标签的概率×标签的logo概率的总和.计
- 推荐收藏 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost总结
Pysamlam
作者:ChrisCaohttps://zhuanlan.zhihu.com/p/75468124一.决策树决策树是一个有监督分类模型,本质是选择一个最大信息增益的特征值进行分割,直到达到结束条件或叶子节点纯度达到阈值。下图是决策树的一个示例图:根据分割指标和分割方法,可分为:ID3、C4.5、CART算法。1.ID3算法:以信息增益为准则来选择最优划分属性信息增益的计算是基于信息熵(度量样本集合纯
- c语言求信源的信息熵,第二章-信源与信息熵(三)
UEgood雪姐姐
c语言求信源的信息熵
接上一节第二章-信源与信息熵(二)2.4连续信源的熵与互信息1.实际中,连续信源a)幅度连续b)时间或频率上也连续2.统计特性a)概率密度函数3.用离散变量来逼近连续变量连续信源熵1.定义连续信源的状态概率用概率密度来表示。如果连续随机变量X,取值为实数域R,其概率密度函数为p(x),则如果取值为有限实数域[a,b],则X的概率分布函数为利用离散信源熵的概念来定义连续信源熵设一在[a,b]取间的连
- Visual Studio 2010+C#实现信源和信息熵
deleteeee
算法c#visualstudio信息论信息熵经验分享笔记
1.设计要求以图形界面的方式设计一套程序,该程序可以实现以下功能:从输入框输入单个或多个概率,然后使用者可以通过相关按钮的点击求解相应的对数,自信息以及信息熵程序要能够实现马尔可夫信源转移概率矩阵的输入并且可以计算该马尔可夫信源在每一个状态下每输出一个符号的平均信息量,稳态概率以及最后的信息熵。结果在在界面中直接呈现2.设计过程首先进行图形界面的设计,根据要求界面中应该包括相关标签,输入,输出以及
- 蓝桥杯典型真题分析详解--编程思维--01串的熵
D_nao
c++蓝桥杯冲刺特训蓝桥杯算法职场和发展c语言c++
2023年十四届省赛大学B组真题(共10道题)【问题描述】对于一个长度为n的01串S=x1x2x3...xn.香农信息熵的定义为:其中p(0),p(1)表示在这个01串中0和1出现的占比。比如,对于S=100来说,信息熵H(S)=-1/3log2(1/3)-2/3log2(2/3)-2/3log2(2/3)=1.3083。对于一个长度为23333333的01串,如果其信息熵为11625907.57
- 决策树系列之决策树知识点
coffeetea01
机器学习机器学习决策树
1、什么是决策树;(decisiontree)决策树是一种树型结构,其中:每个内部的结点表示在一个属性的测试;每个分支代表一个测试的输出;每个叶节点代表一种类别;决策树是以实例为基础的归纳学习,采取的是自顶向下的递归方法;其基本思想是,以信息熵为度量构建一颗熵值下降最快的树,到叶子结点处的熵值为0,此时所有的叶节点的熵值都属于同一类。附上:叶节点的信息熵公式为:2、决策树算法的整体特点:最大的特点
- 1.27CNN(输入层,特征提取(卷积,最大池化),输出),损失函数(KL散度,交叉熵推导),熵(物理、信息熵推导),点积矩阵运算(CPU,GPU,NPU)
CQU_JIAKE
机器学习&神经网络数模cnn人工智能算法
CNN损失函数KL散度,交叉熵B部分是训练集的真实实际值,是常数,C部分是训练结果,目的是要让这个损失最小化,与模型参数紧密相关,取出C(带负号),C非负就是更精简的损失函数熵v所谓M个空间,N个小球在其中的排列组合方式为熵对应概率是,M次抽样,一共N种情况,每次抽样都意味着要确定M个空间里的其中一个空间是怎样的,也就是N个小球(情况)里占了多少个小球(分配到了多少个小球、情况),如果分配到的小球
- 李航统计学习方法----决策树章节学习笔记以及python代码
詹sir的BLOG
大数据python决策树算法剪枝
目录1决策树模型2特征选择2.1数据引入2.2信息熵和信息增益3决策树生成3.1ID3算法3.2C4.5算法4决策树的剪枝5CART算法(classificationandregressiontree)5.1回归树算法5.2分类树的生成5.3CART剪枝6PYTHON代码实例决策树算法可以应用于分类问题与回归问题,李航的书中主要讲解的是分类树,构建决策树分为三个过程,分别是特征选择、决策树生成、决
- ID3算法 决策树学习 Python实现
Foliciatarier
算法算法决策树
算法流程输入:约束决策树生长参数(最大深度,节点最小样本数,可选),训练集(特征值离散或连续,标签离散)。输出:决策树。过程:每次选择信息增益最大的属性决策分类,直到当前节点样本均为同一类,或者信息增益过小。信息增益设样本需分为KKK类,当前节点待分类样本中每类样本的个数分别为n1,n2,…,nKn_1,n_2,…,n_Kn1,n2,…,nK,则该节点信息熵为I(n1,n2,…,nK)=−∑i=1
- 张首晟教授留给我们的一封信
TAO0430
自然界三大基本常数:1.E=MC2(爱因斯坦的质能方程式,能量=质量*光速的平方)2.S=-plogp(信息熵公式,)3.海森堡测不准原理万物都是由原子构成(宇宙构成,复杂世界由简单构成)欧几里得几何公理(不言而喻的公理,第一性原理)自然选择适者生存(生物学)人人生而平等(人文)让自由之风吹拂(教育)笔胜于剑(人类文明历史)隐形的手(经济学)大道至简(中华文明)图片发自App
- 信息量、信息熵、信息增益的理解
不断冲的Castor
机器学习的基础知识信息熵决策树
文章目录一、信息量1.一些概念的理解2.用概率表示信息量二、信息熵1.信息熵的计算方法2.信息熵的最大值、最小值三、信息增益(InformationGain)1.定义2.信息增益的计算后记一、信息量1.一些概念的理解首先我们需要将概率、不确定性和信息量这三个概念给串起来。①一个事件发生的不确定性与该事件发生的概率有关系。当一个事件发生的概率越高,事件越有可能发生,事件发生的不确定性就越小,反之,概
- 1.21信息熵理解,一个好看的框架图,SVM
CQU_JIAKE
机器学习&神经网络数学方法数模概率论机器学习人工智能
信息熵理解就是说,每个事件都会提供一些信息以确定情况事件发生的概率越大,意味着频率越大,就有越多的可能性,能缩减的查找范围就越少,所以信息熵就少;事件发生的概率越小,意味着频率越小,就有更少的情况会发生这样的事件,那么能缩减的查找范围就会增大,所以信息熵就大;所谓信息熵实际上就是事件发生后用来衡量能缩减多大的查找空间,能缩减多少的情况数。能缩减(2^信息熵)的情况数就是说整个空间信息大小为13.6
- 1.19信息学,信息熵(wordle)
CQU_JIAKE
数学方法机器学习人工智能深度学习
所谓均方误差实际上就是方差分析:对单词进行编码后,采用聚类方法,可以将单词难度分为三类或者更多,如困难、一般、简单。然后对每一类的单词可视化分析,并描述数据得出结论。聚类算法较多,在论文中可以使用改进的聚类算法就是说,情况越少,在总的所有可能情况里出现的概率也就越少,出现的话,那么也就越能确定如果所蕴含的信息越多,那么就是经过的判断也就越多,即经过所谓判断(是或不是)也就越多,也就是说,就是用所蕴
- 互信息的简单理解
图学习的小张
python
在介绍互信息之前,首先需要了解一下信息熵的概念:所谓信息熵,是指信息论中对一个随机变量不确定性的度量,对于随机变量x,信息熵的定义为:H(x)=−∑xp(x)logp(x)H(x)=-\sum_xp(x)logp(x)H(x)=−x∑p(x)logp(x) 随机变量的熵越大,说明这个变量带给我们的信息越多。 互信息(MI,MutualInformation)表示两个变量之间相互依赖程度的度
- Day4学习记录
好好编码
学习网络
一、行业信息1.信息论知识(1)信息的本质:消除世界的不确定性(2)如何度量信息:利用概率的不确定性不确定度——信息熵*类比名人游戏:信息熵即一个问题的最少提问次数。(公式为对数的原因:log(x*y)=logx+logy,log相加就是概率相乘底换为2万物皆为二进制万物皆为bit)(3)capacity-achieving:容量可达channelcapacity(信道容量):单位时间能传达的信息
- 信息论与编码——信道编码
吕正日
网络信息
什么是最小距离译码准则,举例说明最小距离译码准则是一种常用的纠错码译码方法,用于在接收到含有错误的编码信息时,通过计算与已知编码序列之间的距离来判断最有可能的原始信息。该准则的基本思想是选择与接收到的编码序列距离最近的已知编码序列作为译码结果。距离通常使用汉明距离来度量,汉明距离是指两个等长字符串之间相应位置上不同字符的个数。下面通过一个简单的例子来说明最小距离译码准则的应用:假设发送方使用一个二
- ID3决策树的建模流程
今天也要加油丫
机器学习机器学习
下面以一个简单的数据集,包括了天气、温度、湿度三个特征,以及是否出门的目标变量,来演示ID3决策树的建模流程。天气温度湿度是否出门晴天高低是多云中中是雨天低高否晴天高高否多云低低是CART树是按照某切分点来展开,而ID3则是按照列来展开,即根据某列的不同取值来对数据集进行划分。以天气的不同取值为划分规则首先计算父节点的信息熵为了表示方便,[2,3]表示[否的数量,是的数量]entropy([2,3
- java线程的无限循环和退出
3213213333332132
java
最近想写一个游戏,然后碰到有关线程的问题,网上查了好多资料都没满足。
突然想起了前段时间看的有关线程的视频,于是信手拈来写了一个线程的代码片段。
希望帮助刚学java线程的童鞋
package thread;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Date
- tomcat 容器
BlueSkator
tomcatWebservlet
Tomcat的组成部分 1、server
A Server element represents the entire Catalina servlet container. (Singleton) 2、service
service包括多个connector以及一个engine,其职责为处理由connector获得的客户请求。
3、connector
一个connector
- php递归,静态变量,匿名函数使用
dcj3sjt126com
PHP递归函数匿名函数静态变量引用传参
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
<title>Current To-Do List</title>
</head>
<body>
- 属性颜色字体变化
周华华
JavaScript
function changSize(className){
var diva=byId("fot")
diva.className=className;
}
</script>
<style type="text/css">
.max{
background: #900;
color:#039;
- 将properties内容放置到map中
g21121
properties
代码比较简单:
private static Map<Object, Object> map;
private static Properties p;
static {
//读取properties文件
InputStream is = XXX.class.getClassLoader().getResourceAsStream("xxx.properti
- [简单]拼接字符串
53873039oycg
字符串
工作中遇到需要从Map里面取值拼接字符串的情况,自己写了个,不是很好,欢迎提出更优雅的写法,代码如下:
import java.util.HashMap;
import java.uti
- Struts2学习
云端月影
最近开始关注struts2的新特性,从这个版本开始,Struts开始使用convention-plugin代替codebehind-plugin来实现struts的零配置。
配置文件精简了,的确是简便了开发过程,但是,我们熟悉的配置突然disappear了,真是一下很不适应。跟着潮流走吧,看看该怎样来搞定convention-plugin。
使用Convention插件,你需要将其JAR文件放
- Java新手入门的30个基本概念二
aijuans
java新手java 入门
基本概念: 1.OOP中唯一关系的是对象的接口是什么,就像计算机的销售商她不管电源内部结构是怎样的,他只关系能否给你提供电就行了,也就是只要知道can or not而不是how and why.所有的程序是由一定的属性和行为对象组成的,不同的对象的访问通过函数调用来完成,对象间所有的交流都是通过方法调用,通过对封装对象数据,很大限度上提高复用率。 2.OOP中最重要的思想是类,类是模板是蓝图,
- jedis 简单使用
antlove
javarediscachecommandjedis
jedis.RedisOperationCollection.java
package jedis;
import org.apache.log4j.Logger;
import redis.clients.jedis.Jedis;
import java.util.List;
import java.util.Map;
import java.util.Set;
pub
- PL/SQL的函数和包体的基础
百合不是茶
PL/SQL编程函数包体显示包的具体数据包
由于明天举要上课,所以刚刚将代码敲了一遍PL/SQL的函数和包体的实现(单例模式过几天好好的总结下再发出来);以便明天能更好的学习PL/SQL的循环,今天太累了,所以早点睡觉,明天继续PL/SQL总有一天我会将你永远的记载在心里,,,
函数;
函数:PL/SQL中的函数相当于java中的方法;函数有返回值
定义函数的
--输入姓名找到该姓名的年薪
create or re
- Mockito(二)--实例篇
bijian1013
持续集成mockito单元测试
学习了基本知识后,就可以实战了,Mockito的实际使用还是比较麻烦的。因为在实际使用中,最常遇到的就是需要模拟第三方类库的行为。
比如现在有一个类FTPFileTransfer,实现了向FTP传输文件的功能。这个类中使用了a
- 精通Oracle10编程SQL(7)编写控制结构
bijian1013
oracle数据库plsql
/*
*编写控制结构
*/
--条件分支语句
--简单条件判断
DECLARE
v_sal NUMBER(6,2);
BEGIN
select sal into v_sal from emp
where lower(ename)=lower('&name');
if v_sal<2000 then
update emp set
- 【Log4j二】Log4j属性文件配置详解
bit1129
log4j
如下是一个log4j.properties的配置
log4j.rootCategory=INFO, stdout , R
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appe
- java集合排序笔记
白糖_
java
public class CollectionDemo implements Serializable,Comparable<CollectionDemo>{
private static final long serialVersionUID = -2958090810811192128L;
private int id;
private String nam
- java导致linux负载过高的定位方法
ronin47
定位java进程ID
可以使用top或ps -ef |grep java
![图片描述][1]
根据进程ID找到最消耗资源的java pid
比如第一步找到的进程ID为5431
执行
top -p 5431 -H
![图片描述][2]
打印java栈信息
$ jstack -l 5431 > 5431.log
在栈信息中定位具体问题
将消耗资源的Java PID转
- 给定能随机生成整数1到5的函数,写出能随机生成整数1到7的函数
bylijinnan
函数
import java.util.ArrayList;
import java.util.List;
import java.util.Random;
public class RandNFromRand5 {
/**
题目:给定能随机生成整数1到5的函数,写出能随机生成整数1到7的函数。
解法1:
f(k) = (x0-1)*5^0+(x1-
- PL/SQL Developer保存布局
Kai_Ge
近日由于项目需要,数据库从DB2迁移到ORCAL,因此数据库连接客户端选择了PL/SQL Developer。由于软件运用不熟悉,造成了很多麻烦,最主要的就是进入后,左边列表有很多选项,自己删除了一些选项卡,布局很满意了,下次进入后又恢复了以前的布局,很是苦恼。在众多PL/SQL Developer使用技巧中找到如下这段:
&n
- [未来战士计划]超能查派[剧透,慎入]
comsci
计划
非常好看,超能查派,这部电影......为我们这些热爱人工智能的工程技术人员提供一些参考意见和思想........
虽然电影里面的人物形象不是非常的可爱....但是非常的贴近现实生活....
&nbs
- Google Map API V2
dai_lm
google map
以后如果要开发包含google map的程序就更麻烦咯
http://www.cnblogs.com/mengdd/archive/2013/01/01/2841390.html
找到篇不错的文章,大家可以参考一下
http://blog.sina.com.cn/s/blog_c2839d410101jahv.html
1. 创建Android工程
由于v2的key需要G
- java数据计算层的几种解决方法2
datamachine
javasql集算器
2、SQL
SQL/SP/JDBC在这里属于一类,这是老牌的数据计算层,性能和灵活性是它的优势。但随着新情况的不断出现,单纯用SQL已经难以满足需求,比如: JAVA开发规模的扩大,数据量的剧增,复杂计算问题的涌现。虽然SQL得高分的指标不多,但都是权重最高的。
成熟度:5星。最成熟的。
- Linux下Telnet的安装与运行
dcj3sjt126com
linuxtelnet
Linux下Telnet的安装与运行 linux默认是使用SSH服务的 而不安装telnet服务 如果要使用telnet 就必须先安装相应的软件包 即使安装了软件包 默认的设置telnet 服务也是不运行的 需要手工进行设置 如果是redhat9,则在第三张光盘中找到 telnet-server-0.17-25.i386.rpm
- PHP中钩子函数的实现与认识
dcj3sjt126com
PHP
假如有这么一段程序:
function fun(){
fun1();
fun2();
}
首先程序执行完fun1()之后执行fun2()然后fun()结束。
但是,假如我们想对函数做一些变化。比如说,fun是一个解析函数,我们希望后期可以提供丰富的解析函数,而究竟用哪个函数解析,我们希望在配置文件中配置。这个时候就可以发挥钩子的力量了。
我们可以在fu
- EOS中的WorkSpace密码修改
蕃薯耀
修改WorkSpace密码
EOS中BPS的WorkSpace密码修改
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 201
- SpringMVC4零配置--SpringSecurity相关配置【SpringSecurityConfig】
hanqunfeng
SpringSecurity
SpringSecurity的配置相对来说有些复杂,如果是完整的bean配置,则需要配置大量的bean,所以xml配置时使用了命名空间来简化配置,同样,spring为我们提供了一个抽象类WebSecurityConfigurerAdapter和一个注解@EnableWebMvcSecurity,达到同样减少bean配置的目的,如下:
applicationContex
- ie 9 kendo ui中ajax跨域的问题
jackyrong
AJAX跨域
这两天遇到个问题,kendo ui的datagrid,根据json去读取数据,然后前端通过kendo ui的datagrid去渲染,但很奇怪的是,在ie 10,ie 11,chrome,firefox等浏览器中,同样的程序,
浏览起来是没问题的,但把应用放到公网上的一台服务器,
却发现如下情况:
1) ie 9下,不能出现任何数据,但用IE 9浏览器浏览本机的应用,却没任何问题
- 不要让别人笑你不能成为程序员
lampcy
编程程序员
在经历六个月的编程集训之后,我刚刚完成了我的第一次一对一的编码评估。但是事情并没有如我所想的那般顺利。
说实话,我感觉我的脑细胞像被轰炸过一样。
手慢慢地离开键盘,心里很压抑。不禁默默祈祷:一切都会进展顺利的,对吧?至少有些地方我的回答应该是没有遗漏的,是不是?
难道我选择编程真的是一个巨大的错误吗——我真的永远也成不了程序员吗?
我需要一点点安慰。在自我怀疑,不安全感和脆弱等等像龙卷风一
- 马皇后的贤德
nannan408
马皇后不怕朱元璋的坏脾气,并敢理直气壮地吹耳边风。众所周知,朱元璋不喜欢女人干政,他认为“后妃虽母仪天下,然不可使干政事”,因为“宠之太过,则骄恣犯分,上下失序”,因此还特地命人纂述《女诫》,以示警诫。但马皇后是个例外。
有一次,马皇后问朱元璋道:“如今天下老百姓安居乐业了吗?”朱元璋不高兴地回答:“这不是你应该问的。”马皇后振振有词地回敬道:“陛下是天下之父,
- 选择某个属性值最大的那条记录(不仅仅包含指定属性,而是想要什么属性都可以)
Rainbow702
sqlgroup by最大值max最大的那条记录
好久好久不写SQL了,技能退化严重啊!!!
直入主题:
比如我有一张表,file_info,
它有两个属性(但实际不只,我这里只是作说明用):
file_code, file_version
同一个code可能对应多个version
现在,我想针对每一个code,取得它相关的记录中,version 值 最大的那条记录,
SQL如下:
select
*
- VBScript脚本语言
tntxia
VBScript
VBScript 是基于VB的脚本语言。主要用于Asp和Excel的编程。
VB家族语言简介
Visual Basic 6.0
源于BASIC语言。
由微软公司开发的包含协助开发环境的事
- java中枚举类型的使用
xiao1zhao2
javaenum枚举1.5新特性
枚举类型是j2se在1.5引入的新的类型,通过关键字enum来定义,常用来存储一些常量.
1.定义一个简单的枚举类型
public enum Sex {
MAN,
WOMAN
}
枚举类型本质是类,编译此段代码会生成.class文件.通过Sex.MAN来访问Sex中的成员,其返回值是Sex类型.
2.常用方法
静态的values()方