- 精益敏捷之道(一)
绝不原创的飞龙
默认分类默认分类
原文:annas-archive.org/md5/0b2addbef6e2afb0ce49d44d7300959a译者:飞龙协议:CCBY-NC-SA4.0前言“精益敏捷之道:通过价值流管理释放企业潜力”一书源于首席作者塞西尔·‘加里’·鲁普与尊敬的同事理查德·克纳斯特、史蒂夫·佩雷拉和艾尔·沙洛韦的合作努力。他们的目标是为IT专家、商业专业人士以及各行业和组织的领域专家提供一本关于现代精益敏捷和
- 每天一个前端小知识 Day 28 - Web Workers / 多线程模型在前端中的应用实践
蓝婷儿
前端面试前端
WebWorkers/多线程模型在前端中的应用实践一、为什么前端需要多线程?单线程JS的瓶颈:浏览器主线程不仅负责执行JS,还要负责:UI渲染(DOM/CSS)用户事件处理(点击、输入)一旦JS执行耗时任务(如大数组处理、加密运算),会阻塞页面响应多线程的意义:✅把计算密集型或IO密集型任务移出主线程,防止“卡死”✅实现离线计算、并发执行、后台数据同步✅提升用户体验、增强系统鲁棒性二、前端中的“线
- 安防监控漏报频发?陌讯实时检测算法实测召回率98%
2501_92487721
目标跟踪计算机视觉人工智能算法
一、开篇痛点:安防监控的检测难题在夜间低光、遮挡、小目标等复杂场景下,传统YOLO系列算法常出现漏检(FN)和误检(FP)。某安防厂商测试数据显示:当目标像素<50×50时,开源模型召回率骤降至65%以下。二、技术解析:陌讯算法的三重创新陌讯视觉算法通过多尺度特征融合+自适应光照补偿提升鲁棒性:动态感受野机制在Backbone中引入可变形卷积(DeformableConv),公式表示为:y(p)=
- OpenCV颜色矩哈希算法------cv::img_hash::ColorMomentHash
操作系统:ubuntu22.04OpenCV版本:OpenCV4.9IDE:VisualStudioCode编程语言:C++11算法描述该类实现了颜色矩哈希算法(ColorMomentHash),用于图像相似性比较。它基于图像在HSV颜色空间中的颜色矩统计特征来生成哈希值,对颜色分布的变化具有较好的鲁棒性。适用于以下场景:图像检索图像去重水印检测色彩变化较大的图像匹配公共成员函数compute(I
- 【机器学习笔记Ⅰ】10 特征工程
特征工程(FeatureEngineering)详解特征工程是机器学习和数据科学中的核心环节,旨在通过对原始数据的转换、组合和提取,构建更适合模型的高质量特征。其质量直接决定模型性能上限(“数据和特征决定了模型的上限,而算法只是逼近这个上限”)。1.特征工程的核心目标提升模型性能:增强特征与目标变量的相关性。降低计算成本:减少冗余特征,加速训练。改善泛化能力:避免过拟合,提高鲁棒性。2.特征工程的
- 我是如何搭建了一个企业级PDF处理平台的
wh3933
pdf架构
第一部分:执行摘要与架构愿景1.1.拟议解决方案概述本文旨在为构建一个模块化、高鲁棒性、可扩展的企业级PDF处理平台提供全面的架构设计与技术实现蓝图。该平台的核心功能集成了虚拟打印、PDF创建、光学字符识别(OCR)以及高级加密,以满足现代企业对文档工作流自动化和安全性的严苛要求。为了实现这一目标,我们提出一个清晰的、关注点分离的系统架构。该架构将整个解决方案解耦为两个核心部分:一个部署在用户工作
- 使用策略模式 + 自动注册机制来构建旅游点评系统的搜索模块
✅目标:搜索模块支持不同内容类型(攻略、达人、游记等)每种搜索逻辑用一个策略类表示自动注册(基于注解+Spring容器)新增搜索类型时,只需添加一个类+一个注解,无需改工厂、注册表等!️技术方案:SpringBoot自定义注解@SearchType("guide")进行标记启动时由Spring自动扫描并注册到Map项目结构如下(SpringBoot)search-system-springboot
- Random Erasing:计算机视觉的「隐形斗篷」——遮挡艺术的对抗学习革命
星光银河
深度学习-代表性技术主题/概念层面计算机视觉学习人工智能cnn神经网络深度学习
当ImageNet冠军模型在真实世界的遮挡面前崩溃时(识别准确率骤降38%),中科院自动化研究所2017年提出的RandomErasing技术以一纸惊艳了学界。这种在图像中随机挖洞的简单操作,让ResNet-50在Partial-iNaturalist数据集上抗遮挡能力提升4.2倍,错误率降低59%,揭示了模型鲁棒性的深层密码。️遮挡困境:视觉模型的阿喀琉斯之踵图像识别鲁棒性演化史时代技术Imag
- 人形机器人运动控制技术演进:从强化学习到神经微分方程的前沿解析
1.引言:人形运动控制的挑战与范式迁移人形机器人需在非结构化环境中实现双足行走、跑步、跳跃等复杂动作,其核心问题可归结为高维连续状态-动作空间的实时优化。传统方法(如基于模型的预测控制MPC)依赖精确的动力学建模,但在实际系统中面临以下瓶颈:模型失配:复杂接触动力学(如足-地交互)难以显式建模;计算瓶颈:高维非线性优化难以满足实时性需求;环境扰动敏感:传统控制器对未知干扰的鲁棒性不足。近年来,以强
- 【读代码】PDF-Extract-Kit深度解析:最好用的RAG开源PDF解析工具
kakaZhui
pdfAIGC大模型RAGAgentDeepSeek
一、基本介绍PDF-Extract-Kit是由OpenDataLab推出的开源工具包,专注于解决复杂PDF文档的内容解析难题。该项目集成了当前最先进的文档解析模型,通过模块化设计实现灵活的功能组合,支持布局检测、公式识别、表格解析等多项核心功能。其最大特点在于:多模态解析能力:支持文字、公式、表格、图像等元素的联合解析工业级鲁棒性:在模糊扫描件、水印文档等复杂场景下仍保持高准确率开箱即用体验:提供
- 机器视觉:ransac算法详解
无水先生
数字图形和图像处理算法计算机视觉
目录一、说明:二、算法步骤三、算法代码四、其它补充一、说明:RANSAC是一种常用的参数估计方法,全称为RandomSampleConsensus(随机抽样一致性)。它通过随机选择数据中的一部分,然后根据这些数据拟合模型,统计模型与其他数据的偏差,最终筛选出符合一定阈值的数据,用于估计参数。RANSAC可以应用于很多领域,如计算机视觉、机器人和地理信息系统等。其优点在于对噪声数据和异常值有很强的鲁
- HALCON: HALCON 20.11.0.0 Progress主要新特性
机器视觉001
HALCONHALCON
HALCON:HALCON20.11.0.0Progress主要新特性改进了基于形状的匹配在HALCON20.11中,对基于形状匹配的核心技术进行了改进,尤其是针对低对比度和高噪声的场景。现在可以自动估计更多的参数。这增加了低对比度和高噪声的情况下的可用性、匹配率和鲁棒性在。DotCode解码在HALCON20.11中,数据编码解码器已经扩展为新的编码类型DotCode。这种类型的2D代码基于一个
- (Note)音频向量化表示
音频向量化表示经典语音特征(MFCC等)语音信号的传统特征提取方法包括MFCC(梅尔倒谱系数)、PLP等,用于描述语音的频谱包络信息。这些特征设计依据生理听觉模型,在ASR、情感识别等任务中长期有效。但它们仍属浅层特征,无法自动学习更高阶的语言和语音信息,对说话人和环境的鲁棒性有限,通常需配合复杂模型来提高性能。梅尔倒谱系数特征示意图自监督语音模型(Wav2Vec、HuBERT等)近年来,语音领域
- 九章数学体系:定义域无界化——AI鲁棒性的“隐形杀手“
九章数学体系
数学建模拓扑学人工智能神经网络
九章数学体系:定义域无界化——AI鲁棒性的"隐形杀手"摘要传统人工智能模型在面对边缘场景时常常表现出鲁棒性不足的问题,本文深入分析发现,这种现象的本质根源在于模型缺乏显式的定义域约束,导致无界化假设成为影响AI鲁棒性的"隐形杀手"。文章系统阐述了无界假设如何引发对抗样本脆弱性和数值不稳定等核心问题,并引入九章数学体系的定义域约束理论,为解决这些问题提供了全新的数学视角和工程实现路径。研究表明,通过
- 国米夏窗豪赌:奥纳纳回归+锋线强援剑指双线复兴
花开半谢
笔记
国际米兰在刚刚结束的世俱杯1/8决赛中0-2完败于弗鲁米嫩塞,冲击冠军梦想戛然而止。这场失利不仅暴露了球队的临场状态问题,更揭示了阵容的关键短板。门将位置成为焦点,高龄的索默本场表现挣扎,赛后评分仅5.9分。球迷虽认为失利非他一人之责,但其状态下滑已是不争事实。夏窗换血势在必行。一个令人瞩目的潜在选项浮出水面——回购旧将奥纳纳。媒体消息显示,曼联正积极追求维拉门神大马丁,有意出售奥纳纳腾出薪资空间
- 利用视觉-语言模型搭建机器人灵巧操作的支架
三谷秋水
智能体大模型计算机视觉语言模型机器人人工智能计算机视觉机器学习
25年6月来自斯坦福和德国卡尔斯鲁厄理工的论文“ScaffoldingDexterousManipulationwithVision-LanguageModels”。灵巧机械手对于执行复杂的操作任务至关重要,但由于演示收集和高维控制的挑战,其训练仍然困难重重。虽然强化学习(RL)可以通过在模拟中积累经验来缓解数据瓶颈,但它通常依赖于精心设计的、针对特定任务的奖励函数,这阻碍了其可扩展性和泛化能力。
- ICPC 小白勇闯南京
超闻逸事
游记c++
第49届ICPC南京站游记【2024.11.2−2024.11.32024.11.2-2024.11.32024.11.2−2024.11.3】Day−2-2−2下午翘课,VP了202220222022年南京的区域赛。但是大家打得并不是非常认真,最后只过了555题。开局签到,但是我读题加写题花了202020分钟。看来还是我英语水平不够的问题,好在没有罚时。队友开了一道比签到稍微难点的题,但是卡在背
- 使用Ultralytics YOLO进行数据增强
alpszero
YOLO计算机视觉应用YOLO人工智能机器学习
概述数据增强是计算机视觉领域的一项重要技术,它通过对现有图像进行各种转换,人为地扩展训练数据集。在训练深度学习模型时,数据增强有助于提高模型的鲁棒性,减少过拟合,并增强对真实世界场景的泛化。在训练计算机视觉模型的过程中,数据增强具有多种重要作用:扩展数据集:通过创建现有图像的变体,可以有效增加训练数据集的规模,而无需收集新数据。提高泛化能力:模型学会在各种条件下识别物体,使其在实际应用中更加稳健。
- NLP随机插入
Humbunklung
机器学习自然语言处理人工智能pythonnlp
文章目录随机插入示例Python代码示例随机插入随机插入是一种文本数据增强方法,其核心思想是在原句中随机选择若干位置,插入与上下文相关的词语,从而生成新的训练样本。这种方法能够增加句子的多样性,提高模型对不同词序和表达方式的鲁棒性。示例原句:机器学习可以提升数据分析的效率。随机插入后(插入“显著”):机器学习可以显著提升数据分析的效率。Python代码示例下面是一个简单的随机插入实现,假设我们有一
- es7-8特性
\光辉岁月/
ecmascriptjavascript开发语言ecmascript
es7新特性Array.prototype.includesIncludes方法用来检测数组中是否包含某个元素,返回布尔类型值。//includesindexof这两个方法都可以实现检查数组是否包含某个元素constmingzhu=["西游记","红楼梦","三国演义","水浒传"];//判断console.log(mingzhu.includes("西游记"));//trueconsole.lo
- 图14CLIP 模型在 “分布偏移场景” 下的鲁棒性优化策略|学习笔记
学渣67656
笔记人工智能
一、先明确:左图的核心对比维度左图的横轴是“模型在标准分布上的准确率”,纵轴是“模型在分布偏移数据集上的准确率”,本质是对比“不同模型/策略在“标准性能”与“鲁棒性”之间的权衡,图中每条曲线代表一类模型/策略的“标准性能-鲁棒性”趋势,而红色箭头标注的“AdapttoImageNet”是一种“干预策略”,作用于CLIP模型后,使其性能点落在对应曲线上。二、左图中6条曲线的含义(按图例颜色+模型类型
- 水文学模型学习笔记:马斯京根(Muskingum)河道汇流算法
Lunar*
水文算法学习笔记
引言在水文学和水资源管理中,河道汇流演算是一个至关重要的环节。它用于预测洪水波在河道中向下游传播时的形态变化,是进行洪水预报、水库调度和防洪规划的基础。马斯京根法(MuskingumMethod)是其中最经典和应用最广泛的河道汇流计算方法之一。本文将从马斯京根法的基础理论出发,推导其演算方程,并重点解析一种更稳定和精确的改进方法——分段连续马斯京根法,最后提供并解读一个完整、鲁棒的Python实现
- 【AI大模型学习路线】第三阶段之RAG与LangChain——第十三章(理解Function Calling)如何使用 Function Calling 且保证鲁棒性?
985小水博一枚呀
AI大模型学习路线人工智能学习langchain架构
【AI大模型学习路线】第三阶段之RAG与LangChain——第十三章(理解FunctionCalling)如何使用FunctionCalling且保证鲁棒性?【AI大模型学习路线】第三阶段之RAG与LangChain——第十三章(理解FunctionCalling)如何使用FunctionCalling且保证鲁棒性?文章目录【AI大模型学习路线】第三阶段之RAG与LangChain——第十三章(
- 优格杂志优格杂志社优格编辑部2025年第11期部分目录
QQ296078736
人工智能
优格杂志社优格编辑部2025年第11期部分目录城市养生社区养老模式下老年人心理护理需求乌云高娃1-3走进超声医学的奇妙世界:揭秘超声技术的多样性胡丽丽4-6做有温度的产科护理,筑牢母婴安全防线鲁娜李襄君7精准翻身干预:降低压疮发生率的新方法陈思8月经紊乱与潜在疾病的关联马占兰9师者说让体育课成为生命成长的摇篮杜俊义10读说写教学模式在英语课堂如何人文化实施李刚强11巧借小学数学教学,培育学生数学思
- 【MPC】模型预测控制笔记 (6):不确定模型的鲁棒MPC
车队老哥记录生活
模型预测控制MPC笔记算法
目录前言不确定模型稳定性分析MATLAB实例1-忽略微小得模型参数误差MATLAB实例2-忽略模型中的非线性项附录1附录2前言致谢【模型预测控制(2022春)lecture4-2RobustMPC】不确定模型假设系统的真实模型为:xk+1=Axk+B(uk+δ1(xk,uk))+δ2(xk)(1)x_{k+1}=Ax_k+B(u_k+\delta_1(x_k,u_k))+\delta_2(x_k)
- 虚拟与现实交融视角下定制开发开源AI智能名片S2B2C商城小程序赋能新零售商业形态研究
摘要:在数字技术重构商业逻辑的时代背景下,虚拟世界与现实世界的边界逐渐模糊。本文以《西游记》构建的经典虚拟世界为文化溯源,剖析互联网技术驱动下虚拟商业形态的演进规律,提出“定制开发开源AI智能名片S2B2C商城小程序”的技术融合框架。通过构建“虚拟场景构建-数据智能驱动-商业生态闭环”三位一体的新零售模型,实证研究表明该模式可使实体店客流量提升192%、用户复购率增长41%,验证了虚拟与现实融合的
- VINS-FUSION 优化-在线同步时间td校准
云端舞步
VINS-FUSIONvins-fusion重投影误差视觉误差因子同步时间td校准外参校准雅克比
论文结合源码详细介绍VINS-FUSION优化-在线同步时间td校准。视觉惯性里程计中,不同传感器之间的测量时间同步对于系统的精度和鲁棒性都至关重要。在实际操作时,由于传感器触发和传输过程延迟,在不同传感器测量会出现时间偏移,即时间不同步。所以本文将camera和IMU之间的数据流时间偏移td加入优化系统中,在线实时估计同步时间td。camera和IMU数据流之间的时间偏移td如下图所示:一、同步
- Markdown语法
蓝胖子不会敲代码
小编的学习之路程序人生
Markdown一、Markdown是什么?Markdown是一种轻量级标记语言,创始人为约翰·格鲁伯(JohnGruber)。它允许人们使用易读易写的纯文本格式编写文档,然后转换成有效的XHTML(或者HTML)文档。这种语言吸收了很多在电子邮件中已有的纯文本标记的特性。由于Markdown的轻量化、易读易写特性,并且对于图片,图表、数学式都有支持,许多网站都广泛使用Markdown来撰写帮助文
- 模型集成:提升机器学习模型性能的有效策略及实践
t0_54program
大数据与人工智能机器学习人工智能个人开发
在机器学习领域,模型集成是一种常见且有效的方法,它旨在提高模型的性能和泛化能力。简单来说,模型集成就是通过多种方式将多个模型组合起来,以提升对单个问题的处理表现。模型集成的优势模型集成具备诸多优点,它能够增强机器学习模型在未知数据上的性能、鲁棒性和泛化能力。以基于树的算法为例,它们擅长利用多棵树的集成来提升整体性能,在某些特定任务中表现出色。而对于神经网络模型,虽然在一般情况下,单个模型足以刻画特
- 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
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理