qq_43498494
qq_43498494

HMM--实践

文章目录

  • HMM理论补充
    • 后向算法
    • 期望
    • 学习算法
    • 利用频率估计概率
    • 预测算法
    • 插曲
  • 实践
    • 实践一
    • 实践二
    • 实践三
    • 实践四

HMM理论补充

HMM--实践_第1张图片
r是求一个时刻位于的隐状态
HMM--实践_第2张图片
HMM--实践_第3张图片
HMM--实践_第4张图片
HMM--实践_第5张图片
HMM--实践_第6张图片
HMM--实践_第7张图片

后向算法

第t个时刻位于第i号隐状态下，而后面的观测值Ot+1，Ot+2，OT
HMM--实践_第8张图片
HMM--实践_第9张图片
HMM--实践_第10张图片HMM--实践_第11张图片

HMM--实践_第12张图片
HMM--实践_第13张图片
HMM--实践_第14张图片

期望

HMM--实践_第15张图片

学习算法

HMM--实践_第16张图片
绿色可用EM算法进行。
HMM--实践_第17张图片

利用频率估计概率

HMM--实践_第18张图片

HMM--实践_第19张图片
因为算初始概率，所以统计每句话的句首时，可能是单字成词或者开始态，不可能是中间与结束字。
HMM--实践_第20张图片
HMM--实践_第21张图片
HMM--实践_第22张图片HMM--实践_第23张图片
HMM--实践_第24张图片
HMM--实践_第25张图片
HMM--实践_第26张图片
HMM--实践_第27张图片
HMM--实践_第28张图片
HMM--实践_第29张图片
HMM--实践_第30张图片
HMM--实践_第31张图片
HMM--实践_第32张图片
HMM--实践_第33张图片
HMM--实践_第34张图片
HMM--实践_第35张图片
HMM--实践_第36张图片HMM--实践_第37张图片HMM--实践_第38张图片
HMM--实践_第39张图片
HMM--实践_第40张图片
理论上没有语料库的话，可以使用EM算法求出参数lamda以及隐变量状态i，理论可行的。即使使用有监督学习得到参数，再去分词的话仍然可以得到不再词典当中的那些词也是可以分出来的。

预测算法

HMM--实践_第41张图片
HMM--实践_第42张图片
HMM--实践_第43张图片
计算想到达di行j列时候的值，可能是其相邻的值相加所得结果。如下：
HMM--实践_第44张图片
HMM--实践_第45张图片
HMM--实践_第46张图片
一个机器人某一时刻处于一个位置，他可能跳转到下一个时刻的任何一个位置，不断往后跳转，我们希望求从最初始这一列到最后这一列的最小路径或者最大路径，若给定的是一个概率值的话，我们想算最大路径，即概率最大的位置，概率最大的路径就表征了每一个时刻他可能取得隐状态。

然后求从最开始状态到最后状态的概率最大路径，这个路径即对应的是隐状态序列。
HMM--实践_第47张图片
HMM--实践_第48张图片
HMM--实践_第49张图片
HMM--实践_第50张图片
HMM--实践_第51张图片
HMM--实践_第52张图片
HMM--实践_第53张图片
HMM--实践_第54张图片
HMM--实践_第55张图片
HMM--实践_第56张图片
HMM--实践_第57张图片
HMM--实践_第58张图片

插曲

HMM--实践_第59张图片
HMM--实践_第60张图片
HMM--实践_第61张图片
HMM--实践_第62张图片
HMM--实践_第63张图片

实践

HMM--实践_第64张图片
HMM--实践_第65张图片
HMM--实践_第66张图片
HMM--实践_第67张图片
风最终的路径，就是我们所观测到的时间序列了。所以只要与时间序列有关的简单问题，如风向预测问题可以用HMM模型就可以预测。
HMM--实践_第68张图片
HMM--实践_第69张图片
HMM模型推荐的一个库的安装HMM--实践_第70张图片
给出的X1–XT这些数据，。。。表示X1可能是某个点，XT可能是某个点。是由高斯分布得到的这些数据。参数：均值与方差，则一个样本到底属于哪个类别。如下图。
HMM--实践_第71张图片
HMM--实践_第72张图片
HMM--实践_第73张图片

实践一

HMM--实践_第74张图片
HMM--实践_第75张图片
HMM--实践_第76张图片
HMM--实践_第77张图片
在这里插入图片描述
HMM--实践_第78张图片
HMM--实践_第79张图片HMM--实践_第80张图片
HMM--实践_第81张图片
HMM--实践_第82张图片
HMM--实践_第83张图片
HMM--实践_第84张图片
HMM--实践_第85张图片
HMM--实践_第86张图片
训练之后做分词：
HMM--实践_第87张图片
HMM--实践_第88张图片
HMM--实践_第89张图片
HMM--实践_第90张图片
HMM--实践_第91张图片
HMM--实践_第92张图片
HMM--实践_第93张图片

实践二

HMM--实践_第94张图片
HMM--实践_第95张图片
HMM--实践_第96张图片
HMM--实践_第97张图片
HMM--实践_第98张图片
HMM--实践_第99张图片
HMM--实践_第100张图片
HMM--实践_第101张图片
HMM--实践_第102张图片
HMM--实践_第103张图片
HMM--实践_第104张图片
HMM--实践_第105张图片
HMM--实践_第106张图片
HMM--实践_第107张图片
HMM--实践_第108张图片

实践三

在这里插入图片描述
HMM--实践_第109张图片

实践四

读取电流数据
HMM--实践_第110张图片
每个时刻有各自的电流值

HMM--实践_第111张图片
HMM--实践_第112张图片
HMM--实践_第113张图片

你可能感兴趣的:(机器学习基础算法)

  • DL笔记 吴成助
    刷代码：LeetCode，github,kaggle，learningpythonhardway,书，微信python基础（hardway→python算法书（算法导论-难，看不懂再看算法第四版-易）→leetcode）→numpy,pandas（官方10minutestopandas）,matplotlib等库，有书→机器学习基础算法（GitHub手写机器学习算法，siraj线性回归的视频），原
  • 机器学习基础算法11-Logistic回归-ROC和AUC分类模型评估-实例 哎呦-_-不错 python机器学习算法
    文章目录一、模型评估介绍1.分类模型评估2.回归模型评估二、ROC和AUC1.理论知识2.ROC曲线分析3.TPR与FPR的计算过程三、实例1.实例12.实例23.实例3-鸢尾花数据集一、模型评估介绍1.分类模型评估2.回归模型评估二、ROC和AUC1.理论知识AUC概念理解：https://www.zhihu.com/question/39840928?from=profile_question
  • 机器学习基础算法--回归类型和评价分析 Danceful_YJ 机器学习算法基础机器学习算法回归
    目录1.数据归一化处理2.数据标准化处理3.Lasso回归模型4.岭回归模型5.评价指标计算1.数据归一化处理"""x的归一化的方法还是比较多的我们就选取最为基本的归一化方法x'=(x-x_min)/(x_max-x_min)"""importnumpyasnpfromsklearn.preprocessingimportMinMaxScalerrd=np.random.RandomState(1
  • 【机器学习】十大机器学习基础算法 infinite_with 机器学习
    十大机器学习算法入门近年来，机器学习与人工智能已广泛应用于学术与工程，比如数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用。对于一个初学者来讲，周志华教授的西瓜书是一个很好的选择，以及相关机器学习视频课程是必不可少的，在这里我先分享基础学习视频机器学习课程（20集），网上有很多公开课程，大家可以
  • 机器学习路线 m0_50538723
    机器学习的推荐学习路线1.学习准备：(1)数学篇高等数学：微分部分即可（掌握微分原理）线性代数：掌握矩阵的基本运算、矩阵微分、Jacobian矩阵和Hessian矩阵(2)英语篇：具有大学英语4级水平(3)编程篇：具有使用Python解决基础数据结构问题的能力2.学习路线（1年）：推荐直接学习国外一流大学的高水平视频课程，同步写课程作业，学习路线共分4步，(1)机器学习基础算法（3个月）国外课程推
  • 机器学习基础算法（6） 沉迷学习的郑博士 机器学习机器学习算法人工智能sklearnpython
    6、线性回归6.1线性回归模型6.1.1线性回归模型简介线性回归，就是能够用一个直线较为精确地描述数据之间的关系。这样当出现新的数据的时候，就能够预测出一个简单的值。线性回归中最常见的就是房价的问题。一直存在很多房屋面积和房价的数据，如下图所示：在这种情况下，就可以利用线性回归构造出一条直线来近似地描述放假与房屋面积之间的关系，从而就可以根据房屋面积推测出房价。6.1.2线性回归的函数模型事实上，
  • 机器学习基础算法20- 鸢尾花数据集分类-随机森林 qq_42749341 机器学习-基础知识
    代码#鸢尾花数据分类-随机森林#结果为6个随机森林得到的结果importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportmatplotlibasmplfromsklearn.ensembleimportRandomForestClassifier#defiris_type(s):#it={'Iris-setosa':0,'Iri
  • 机器学习基础算法（数据集和特征工程） Bro_Jun python机器学习数据分析
    目录数据集的组成可用数据集数据集结构特征工程数据的特征抽取字典的特征抽取DictVectorizer语法流程对文本进行特征值化tfidf方式提取文本特征TfidfVectorizer语法流程数据的特征预处理归一化公式语法步骤总结标准化公式语法步骤总结缺失值处理缺失值处理方法语法步骤关于np.nan数据的降维sklearn特征选择：VarianceThreshold语法步骤sklearn降维：PCA
  • 采用SMO优化算法训练SVM（实战篇） 且听风吟~ 机器学习SMOSVM机器学习python
    算法笔记更新~引入  SVM（支持向量机），相信有一些机器学习基础的朋友对这个算法应该早已耳熟。SVM是现有的机器学习基础算法里较为能扛的一个。此篇文章偏向实战，对svm背后繁杂而又精致的数学知识不做展开叙述，笔者学习时参考的是东大一位智慧与才情并存的教授在知乎发表的文章：零基础学习SVM，教授讲解的十分详细，引人入胜，层层递进的同时令人不禁感慨数学的美妙！如果你对svm最后的目标函数一无所知，同
  • 向量范数和矩阵范数的理解 陈振斌 机器学习矩阵线性代数机器学习
    向量范数今天来聊一聊机器学习矩阵论的相关知识——范数（Norm）。在学习机器学习基础算法的推导过程中，可以看到很多地方都应用到了这个范数。范数属于矩阵论的知识范围，可见数学基础的重要性。机器学习的数学基础重点推荐——MIT的机器学习数学基础课如果只需要快速了解，请参考——矩阵范数计算完整的MIT数学基础课程笔记可以参考：MIT18.06线性代数笔记这是个非常棒的手动演算流程，本文也将编码进行验算。
  • 机器学习基础算法（逻辑回归、k-means、模型的保存与加载） Bro_Jun 聚类算法机器学习python
    逻辑回归用来解决二分类问题：是否为垃圾邮件？肿瘤、癌症诊断是否是金融诈骗？给定一些输入，输出结果是离散值逻辑回归公式首先逻辑回归的模型与线性回归基本相同，w为待求的参数：与线性回归不同的地方在于，logistic回归通过函数S将wTx对应到了另一个状态p=S(wTx)，然后根据p的大小决定因变量的值。这里的S函数就是Sigmoid函数：通过函数S的作用，我们可以将输出的值限制在区间[0,1]上；p
  • 机器学习基础算法34-主题模型与实践 qq_42749341 机器学习-基础知识
    目录主题模型定义主题模型历史简单案例引入知识储备：SVD——奇异值分解1、特征值2、SVD分解3、SVD与PCAPLSA——概率隐性语义分析1、SVD2、LSA3、PLSAPlSA原理应用1、PLSA：文档生成模型2、利用文档推断主题分布3、PLSA算法的EM推导LDA模型示意图：案例：主题预测——基于gensim1、步骤：2、代码3、部分结果案例：主题预测——基于sklearn1、步骤2、代码3
  • 机器学习_4:logistic回归 chuxiao_scx 算法python机器学习
    文章目录实验背景1.logistic回归算法原理1.1.线性回归1.2.对数线性回归1.3.logistic回归2.logistic回归算法代码分析3.logistic回归算法实验4.总结实验背景相比k近邻算法和决策树算法，logistic回归算法算是真正意义上的机器学习基础算法，哪怕是现在的深度学习，一样有用到logistic回归算法的内容。而logistic回归算法很大程度上和线性回归以及对数
  • python k-means聚类算法 物流分配预测实战（超详细，附源码） showswoller 机器学习聚类算法python
    数据集和地图可以点赞关注收藏后评论区留下QQ邮箱或者私信博主要聚类是一类机器学习基础算法的总称。聚类的核心计算过程是将数据对象集合按相似程度划分成多个类，划分得到的每个类称为聚类的簇聚类不等于分类，其主要区别在于聚类所面对的目标类别是未知的k-means聚类也称为K均值聚类算法，是典型的聚类算法，对于给定的数据集和需要划分的类数K，算法根据距离函数进行迭代处理，动态的把数据划分成K个簇，直到收敛为
  • 机器学习实战（一）—— K-近邻算法（KNN） 一马归一码 Machine人工智能机器学习近邻算法k-近邻算法
    本系列文章以《机器学习实战》为基础，并结合B站的UP主shuhuai008的机器学习白板推导系列合集，加强对机器学习基础算法的理解及运用。如果大家对计算机视觉感兴趣可以参考博主的计算机视觉专栏：Python计算机视觉近年来，深度学习大火，甚至有干倒其他的机器学习方法的趋势，但基础还是要打牢的，所以本篇文章用来介绍机器学习中比较基础的一个算法——K-近邻算法，希望能帮到大家。本文章主要参考自《机器学
  • 机器学习基础算法应用实践案例整理 田超凡 人工智能
    机器学习基础算法应用实践案例整理一.线性回归算法部分：1.基于多元线性回归lineargradient预测家庭用电2.基于Lasso回归预测波斯顿房屋租赁价格变化情况3.基于softmax回归算法分类葡萄酒质量4.基于logistic回归算法分类鸢尾花生长情况机器学习绪论主要内容4.机器学习定义和基本概念5.机器学习常用算法介绍6.机器学习商业场景和实际运用分析7.机器学习理性认知8.机器学习基本
  • 机器学习基础算法---K近邻 翠小白 机器学习基础机器学习人工智能
    机器学习基础算法—K近邻机器学习1.机器学习概述概述：机器学习能让我们从数据中获得启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这是机器学习的真实含义。简单的说，机器学习就是把无序的数据转换为有用的信息。2.机器学习的主要任务：分类和回归监督学习：这类算法必须知道预测什么，即目标变量的分类信息（1）分类：主要任务就是将实例数据划分到合适的分类中。（2）回归：主要用于预测数值型数据，比如
  • 机器学习基础算法——朴素贝叶斯算法 CoderMateng 机器学习
    朴素贝叶斯算法：朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。算法原理：朴素贝叶斯分类（NBC）是以贝叶斯定理为基础并且假设特征条
  • 《零基础学机器学习》笔记-第1课-新手快速上路路径 Maker张
    《零基础学机器学习》作者：黄佳出版社：人民邮电出版社出版日期：2020年12月1.1机器学习的家族图谱主要包括机器学习快速上手路径、数学和Python基础知识、机器学习基础算法（线性回归和逻辑回归）、深度神经网络、卷积神经网络、循环神经网络、经典算法、集成学习、无监督和半监督等非监督学习类型、强化学习实战等内容，以及相关实战案例。所有案例均通过Python及Scikit-learn机器学习库和Ke
  • 机器学习基础算法之K近邻，朴素贝叶斯，决策树与随机森林 静幽水1 机器学习机器学习k近邻朴素贝叶斯决策树随机森林
    机器学习基础算法之K近邻，朴素贝叶斯，决策树与随机森林1.scikit-learn数据集API2.获取数据集的返回类型3.数据集分隔4.sklearn机器学习算法的实现-估计器5.K近邻6.朴素贝叶斯7.评估标准8.交叉验证和网格搜索9.决策树10.随机森林机器学习库使用scikit-learn，封装了很多机器学习的算法，还有很多数据集，对于初学者来说是一个非常好的库。1.scikit-learn
  • 机器学习基础算法（1）-KNN 美队庆
    KNN（最近邻分类规则）--最简单的机器学习分类，回归算法个人认为机器学习的三个最主要的特性，是分类，回归，聚类。对于具体的问题，我们通过数据的抽象，运用函数来表示问题，在一定的空间内，用凸优化的思想来迭代，搜索更好的数值。这个过程得益于计算机不断发展的计算能力，实则是统计，概率，数学抽象问题和计算机编程的完美结合，便成为机器学习。使用KNN算法解决一个现实的分类问题：如何区分爱情片与动作片（不是
  • 机器学习基础算法之决策树和随机森林比较（实现鸢尾花数据集分析） keeeeeenon
    code:importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltimportmatplotlibasmplfromsklearnimporttreefromsklearn.treeimportDecisionTreeClassifierfromsklearn.model_selectionimporttrain_test_splitf
  • Matlab入门4 机器学习基础算法 一半西瓜 Matlab入门matlab
    赞赏码&联系方式&个人闲话配套课件可访问https://github.com/BIMK/MATLAB下载，是安徽大学Matlab本科教学课件，逻辑清晰，简洁明了，颇为实用，用来入门再好不过（机器学习方向）。本系列博文是课后练习的个人解答，通过几个小实验展示matlab基本语法和技巧。接触Matlab也有几年了，略有心得，分享给大家。【实验名称】机器学习基础算法【实验目的】1.熟悉matlab机器学
  • 数学建模之机器学习基本算法总结 路过的风666 数学建模python机器学习
    数学建模之机器学习基础算法总结前言：期末考已基本结束，为了2月的美赛做更完善的知识储备，故整理了部分机器学习算法的应用（sklearn下的调用），就算原理不懂，只要能理解它的适用场景以及参数的调节，就能在美赛的C题上发挥出一定作用。需要提前熟悉的东西：numpy库、pandas库、sklearn库、最好再看看scipy库和seaborn库。注：下面的示例代码大多都是实战代码整理出来的，数据预处理部
  • 机器学习基础算法一：KNN算法回归实验 YzYzYzzzzz 机器学习基础算法机器学习python
    KNN回归实验一、基础知识什么是回归：回归实际上就是“最佳拟合”。根据已有的数据拟合出一条最佳的直线、曲线、超平面或函数等，用于预测其它数据的目标值。如已知一系列的点(x,y)，我们可能就可以拟合出一条最佳的直线y=kx+b。那么如果已知自变量x，要预测目标值y的话，就可以直接带入到该直线方程中求出y。回归的目的就是预测数值型的目标值分类与回归的区别：分类是判断对应类别，而回归的输出是一个具体值。
  • 机器学习基础算法2 - 机器学习算法概述及分类算法 ChoesTiger wa 机器学习基础算法机器学习
    机器学习算法分类监督学习：输入数据有特征也有标签值分类：k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络回归：线性回归、岭回归标注：隐马尔可夫模型无监督学习：输入数据有特征但无标签值聚类：k-means机器学习开发流程（1）收集原始数据，明确需解决问题（2）数据的基本处理（缺失值、合并等）（3）特征工程（4）找到合适的算法建立模型（5）模型的评估，判断效果（6）若效果不好，继续重复(
  • 机器学习基础算法1-特征工程 ChoesTiger wa 机器学习基础算法机器学习python
    数据：特征值+目标值。特征工程将原始数据转化为更好代表预测模型的潜在问题的特征的过程，提高未知数据预测的准确性。主要工具-1-pandas：处理缺失值，数据转换，一般不需要处理重复值-2-sklearn：特征处理特征抽取(FeatureExtraction)对文本等数据进行特征值化。sklearn特征抽取API：sklearn.feature_extraction2.1.字典数据特征值化（类:sk
  • 机器学习基础算法梳理-1 Jolahua 机器学习
    目录机器学习基础算法梳理一、机器学习基本概念1.1监督学习(SupervisedLearning)1.2无监督学习(UnsupervisedLearning)1.3泛化能力(GeneralizationAbility)1.4过拟合(Overfitting)1.5欠拟合(Underfitting)1.6估计泛化能力(Bias-VarianceDecomposition)二、线性回归相关概念2.1线性
  • 机器学习基础算法梳理-2 Jolahua 机器学习
    目录逻辑回归算法梳理一、逻辑回归与线性回归的联系与区别1.1联系1.2区别1.2.1线性回归1.2.2逻辑回归1.3逻辑回归损失函数1.3.1定义1.3.2交叉熵1.4优缺点1.5样本不均衡解决方法二、正则化与模型评估2.1正则化常见策略2.1.1L1正则化2.2评估指标2.2.1混淆矩阵逻辑回归算法梳理一、逻辑回归与线性回归的联系与区别1.1联系逻辑回归于线性回归实际上有很多相似之处，它们都属于
  • 对数几率回归 —— Logistic Regression hellozhxy 机器学习
    机器学习基础算法python代码实现可参考：zlxy9892/ml_code1原理1.1引入首先，在引入LR(LogisticRegression)模型之前，非常重要的一个概念是，该模型在设计之初是用来解决0/1二分类问题，虽然它的名字中有回归二字，但只是在其线性部分隐含地做了一个回归，最终目标还是以解决分类问题为主。为了较好地掌握logisticregression模型，有必要先了解线性回归模型
  • Enum 枚举 120153216 enum枚举
    原文地址：http://www.cnblogs.com/Kavlez/p/4268601.html Enumeration 于Java 1.5增加的enum type...enum type是由一组固定的常量组成的类型，比如四个季节、扑克花色。在出现enum type之前，通常用一组int常量表示枚举类型。比如这样： public static final int APPLE_FUJI = 0
  • Java8简明教程 bijian1013 javajdk1.8
            Java 8已于2014年3月18日正式发布了，新版本带来了诸多改进，包括Lambda表达式、Streams、日期时间API等等。本文就带你领略Java 8的全新特性。  一.允许在接口中有默认方法实现         Java 8 允许我们使用default关键字，为接口声明添
  • Oracle表维护 快速备份删除数据 cuisuqiang oracle索引快速备份删除
    我知道oracle表分区，不过那是数据库设计阶段的事情，目前是远水解不了近渴。 当前的数据库表，要求保留一个月数据，且表存在大量录入更新，不存在程序删除。 为了解决频繁查询和更新的瓶颈，我在oracle内根据需要创建了索引。但是随着数据量的增加，一个半月数据就要超千万，此时就算有索引，对高并发的查询和更新来说，让然有所拖累。 为了解决这个问题，我一般一个月会进行一次数据库维护，主要工作就是备
  • java多态内存分析 麦田的设计者 java内存分析多态原理接口和抽象类
          “  时针如果可以回头，熟悉那张脸，重温嬉戏这乐园，墙壁的松脱涂鸦已经褪色才明白存在的价值归于记忆。街角小店尚存在吗？这大时代会不会牵挂，过去现在花开怎么会等待。       但有种意外不管痛不痛都有伤害，光阴远远离开，那笑声徘徊与脑海。但这一秒可笑不再可爱，当天心
  • Xshell实现Windows上传文件到Linux主机 被触发 windows
    经常有这样的需求，我们在Windows下载的软件包，如何上传到远程Linux主机上？还有如何从Linux主机下载软件包到Windows下；之前我的做法现在看来好笨好繁琐，不过也达到了目的，笨人有本方法嘛； 我是怎么操作的： 1、打开一台本地Linux虚拟机，使用mount 挂载Windows的共享文件夹到Linux上，然后拷贝数据到Linux虚拟机里面；（经常第一步都不顺利，无法挂载Windo
  • 类的加载ClassLoader 肆无忌惮_ ClassLoader
    类加载器ClassLoader是用来将java的类加载到虚拟机中，类加载器负责读取class字节文件到内存中，并将它转为Class的对象（类对象），通过此实例的 newInstance()方法就可以创建出该类的一个对象。   其中重要的方法为findClass(String name)。   如何写一个自己的类加载器呢？ 首先写一个便于测试的类Student
  • html5写的玫瑰花 知了ing html5
    <html> <head> <title>I Love You!</title> <meta charset="utf-8" /> </head> <body> <canvas id="c"></canvas>
  • google的ConcurrentLinkedHashmap源代码解析 矮蛋蛋 LRU
    原文地址： http://janeky.iteye.com/blog/1534352 简述 ConcurrentLinkedHashMap 是google团队提供的一个容器。它有什么用呢？其实它本身是对 ConcurrentHashMap的封装，可以用来实现一个基于LRU策略的缓存。详细介绍可以参见 http://code.google.com/p/concurrentlinke
  • webservice获取访问服务的ip地址 alleni123 webservice
    1. 首先注入javax.xml.ws.WebServiceContext, @Resource private WebServiceContext context; 2. 在方法中获取交换请求的对象。 javax.xml.ws.handler.MessageContext mc=context.getMessageContext(); com.sun.net.http
  • 菜鸟的java基础提升之道——————>是否值得拥有 百合不是茶
    1，c++，java是面向对象编程的语言，将万事万物都看成是对象；java做一件事情关注的是人物，java是c++继承过来的，java没有直接更改地址的权限但是可以通过引用来传值操作地址，java也没有c++中繁琐的操作，java以其优越的可移植型，平台的安全型，高效性赢得了广泛的认同，全世界越来越多的人去学习java，我也是其中的一员      java组成：
  • 通过修改Linux服务自动启动指定应用程序 bijian1013 linux
    Linux中修改系统服务的命令是chkconfig (check config)，命令的详细解释如下: chkconfig 功能说明：检查，设置系统的各种服务。 语　　法：chkconfig [ -- add][ -- del][ -- list][系统服务] 或 chkconfig [ -- level  <</SPAN>
  • spring拦截器的一个简单实例 bijian1013 javaspring拦截器Interceptor
    Purview接口 package aop; public interface Purview { void checkLogin(); } Purview接口的实现类PurviesImpl.java package aop; public class PurviewImpl implements Purview { public void check
  • [Velocity二]自定义Velocity指令 bit1129 velocity
    什么是Velocity指令 在Velocity中，#set,#if, #foreach, #elseif, #parse等，以#开头的称之为指令，Velocity内置的这些指令可以用来做赋值，条件判断，循环控制等脚本语言必备的逻辑控制等语句，Velocity的指令是可扩展的，即用户可以根据实际的需要自定义Velocity指令   自定义指令(Directive)的一般步骤 &nbs
  • 【Hive十】Programming Hive学习笔记 bit1129 programming
    第二章 Getting Started 1.Hive最大的局限性是什么？一是不支持行级别的增删改(insert, delete, update)二是查询性能非常差(基于Hadoop MapReduce）,不适合延迟小的交互式任务三是不支持事务2. Hive MetaStore是干什么的？Hive persists table schemas and other system metadata.
  • nginx有选择性进行限制 ronin47 nginx 动静　限制
    http { limit_conn_zone $binary_remote_addr zone=addr:10m; limit_req_zone $binary_remote_addr zone=one:10m rate=5r/s;... server {... location ~.*\.(gif|png|css|js|icon)$ {
  • java-4.-在二元树中找出和为某一值的所有路径 . bylijinnan java
    /* * 0.use a TwoWayLinkedList to store the path.when the node can't be path,you should/can delete it. * 1.curSum==exceptedSum:if the lastNode is TreeNode,printPath();delete the node otherwise
  • Netty学习笔记 bylijinnan javanetty
    本文是阅读以下两篇文章时： http://seeallhearall.blogspot.com/2012/05/netty-tutorial-part-1-introduction-to.html http://seeallhearall.blogspot.com/2012/06/netty-tutorial-part-15-on-channel.html 我的一些笔记 ===
  • js获取项目路径 cngolon js
    //js获取项目根路径，如： http://localhost:8083/uimcardprj function getRootPath(){     //获取当前网址，如： http://localhost:8083/uimcardprj/share/meun.jsp     var curWwwPath=window.document.locati
  • oracle 的性能优化 cuishikuan oracleSQL Server
       在网上搜索了一些Oracle性能优化的文章，为了更加深层次的巩固[边写边记]，也为了可以随时查看，所以发表这篇文章。     1.ORACLE采用自下而上的顺序解析WHERE子句，根据这个原理，表之间的连接必须写在其他WHERE条件之前，那些可以过滤掉最大数量记录的条件必须写在WHERE子句的末尾。（这点本人曾经做过实例验证过，的确如此哦！
  • Shell变量和数组使用详解 daizj linuxshell变量数组
    Shell 变量 定义变量时，变量名不加美元符号（$，PHP语言中变量需要），如： your_name="w3cschool.cc" 注意，变量名和等号之间不能有空格，这可能和你熟悉的所有编程语言都不一样。同时，变量名的命名须遵循如下规则： 首个字符必须为字母（a-z，A-Z）。 中间不能有空格，可以使用下划线（_）。 不能使用标点符号。 不能使用ba
  • 编程中的一些概念，KISS、DRY、MVC、OOP、REST dcj3sjt126com REST
    KISS、DRY、MVC、OOP、REST （1）KISS是指Keep It Simple,Stupid（摘自wikipedia），指设计时要坚持简约原则，避免不必要的复杂化。 （2）DRY是指Don't Repeat Yourself（摘自wikipedia），特指在程序设计以及计算中避免重复代码，因为这样会降低灵活性、简洁性，并且可能导致代码之间的矛盾。 （3）OOP 即Object-Orie
  • [Android]设置Activity为全屏显示的两种方法 dcj3sjt126com Activity
    1. 方法1：AndroidManifest.xml 里，Activity的 android:theme  指定为" @android:style/Theme.NoTitleBar.Fullscreen" 示例:   <application      
  • solrcloud 部署方式比较 eksliang solrCloud
    solrcloud 的部署其实有两种方式可选，那么我们在实践开发中应该怎样选择呢？ 第一种：当启动solr服务器时，内嵌的启动一个Zookeeper服务器，然后将这些内嵌的Zookeeper服务器组成一个集群。  第二种：将Zookeeper服务器独立的配置一个集群，然后将solr交给Zookeeper进行管理   谈谈第一种：每启动一个solr服务器就内嵌的启动一个Zoo
  • Java synchronized关键字详解 gqdy365 synchronized
    转载自：http://www.cnblogs.com/mengdd/archive/2013/02/16/2913806.html 多线程的同步机制对资源进行加锁，使得在同一个时间，只有一个线程可以进行操作，同步用以解决多个线程同时访问时可能出现的问题。 同步机制可以使用synchronized关键字实现。 当synchronized关键字修饰一个方法的时候，该方法叫做同步方法。 当s
  • js实现登录时记住用户名 hw1287789687 记住我记住密码cookie记住用户名记住账号
    在页面中如何获取cookie值呢? 如果是JSP的话,可以通过servlet的对象request 获取cookie,可以 参考:http://hw1287789687.iteye.com/blog/2050040 如果要求登录页面是html呢?html页面中如何获取cookie呢? 直接上代码了 页面:loginInput.html 代码: <!DOCTYPE html PUB
  • 开发者必备的 Chrome 扩展 justjavac chrome
    Firebug：不用多介绍了吧https://chrome.google.com/webstore/detail/bmagokdooijbeehmkpknfglimnifench ChromeSnifferPlus：Chrome 探测器，可以探测正在使用的开源软件或者 js 类库https://chrome.google.com/webstore/detail/chrome-sniffer-pl
  • 算法机试题 李亚飞 java算法机试题
           在面试机试时，遇到一个算法题，当时没能写出来，最后是同学帮忙解决的。        这道题大致意思是：输入一个数，比如4,。这时会输出：           &n
  • 正确配置Linux系统ulimit值 字符串 ulimit
    在Linux下面部 署应用的时候，有时候会遇上Socket/File: Can’t open so many files的问题；这个值也会影响服务器的最大并发数，其实Linux是有文件句柄限制的，而且Linux默认不是很高，一般都是1024，生产服务器用 其实很容易就达到这个数量。下面说的是，如何通过正解配置来改正这个系统默认值。因为这个问题是我配置Nginx+php5时遇到了，所以我将这篇归纳进
  • hibernate调用返回游标的存储过程 Supanccy2013 javaDAOoracleHibernatejdbc
    注：原创作品，转载请注明出处。     上篇博文介绍的是hibernate调用返回单值的存储过程，本片博文说的是hibernate调用返回游标的存储过程。     此此扁博文的存储过程的功能相当于是jdbc调用select 的作用。 1，创建oracle中的包，并在该包中创建的游标类型。 ---创建oracle的程
  • Spring 4.2新特性-更简单的Application Event wiselyman application
    1.1 Application Event Spring 4.1的写法请参考10点睛Spring4.1-Application Event 请对比10点睛Spring4.1-Application Event 使用一个@EventListener取代了实现ApplicationListener接口,使耦合度降低; 1.2 示例 包依赖 <p
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他