zhang11wu4
zhang11wu4

K-SVD

K-SVD_第1张图片


K-SVD_第2张图片


K-SVD_第3张图片


K-SVD_第4张图片

K-SVD_第5张图片



其他资源：

http://blog.sina.com.cn/s/blog_a54e5a5201014izi.html

你可能感兴趣的:(K-SVD)

  • Deep K-SVD Denoising 前丨尘忆·梦 论文优化算法
    DeepK-SVDDenoising文章目录DeepK-SVDDenoisingAbstractINTRODUCTIONTHEK-SVDDENOISINGALGORITHMPROPOSEDARCHITECTUREA.PatchDenoisingB.End-to-EndArchitectureC.ExtensiontoMultipleUpdateEXPERIMENTALRESULTSA.Traini
  • IEEE Trans 2006 使用K-SVD构造超完备字典以进行稀疏表示（稀疏分解） weixin_30877493 人工智能
    K-SVD可以看做K-means的一种泛化形式，K-means算法总每个信号量只能用一个原子来近似表示，而K-SVD中每个信号是用多个原子的线性组合来表示的。K-SVD算法总体来说可以分成两步，首先给定一个初始字典，对信号进行稀疏表示，得到系数矩阵。第二步根据得到的系数矩阵和观测向量来不断更新字典。设D∈Rn×K，包含了K个信号原子列向量的原型{dj}j=1K，y∈Rn的信号可以表示成为这些原子的
  • 【K-SVD】基于改进K-SVD算法的冲击型噪声图像滤波matlab仿真 fpga&matlab ★MATLAB算法仿真经验MATLAB板块2:图像-特征提取处理matlab算法开发语言k-svd图像去噪
    1.软件版本matlab2013b2.本算法理论知识K-SVD算法是一种新型的字典训练法，其基本原理是基于K-SVD算法改进所得到的，其主要过程是字典的训练过程，其具有非常好的自适应性能。本文通过一种修正K-SVD算法来实现冲击型噪声的滤波处理，该算法的整体流程图如下图所示：基于修正KSVD字典学习的图像去噪方法，其可以克服冲击噪声中纹理细节丢失，图像突变干扰等影响因素。该算法的核心内容为设置字典
  • 图像降噪算法——稀疏表达：K-SVD算法 Jichao_Peng 图像降噪图像传感器计算机视觉KSVD稀疏表达图像降噪
    图像降噪算法——稀疏表达：K-SVD算法图像降噪算法——稀疏表达：K-SVD算法1.基本原理2.python代码3.结论图像降噪算法——稀疏表达：K-SVD算法为了完善下自己降噪算法知识版图的完整性，我打算花一个周末的时间再了解下基于稀疏表达和低秩聚类这两种原理实现的图像降噪算法，因为学习的时间并不长，也没有花太多时间去做实验，所以对算法理解得可能比较肤浅，还愿读者见谅。这里我分享几篇很优秀的博客
  • 图像迁移风格保存模型_今日 Paper | 可视问答模型；神经风格差异转移；图像压缩系统 ；K-SVD图像去噪等... weixin_39678451 图像迁移风格保存模型
    目录准确性与复杂性：可视问答模型中的一种权衡神经风格差异转移及其在字体生成中的应用基于GAN的可调整的图像压缩系统基于原始-对偶活动集算法的K-SVD图像去噪神经阅读理解与超越准确性与复杂性：可视问答模型中的一种权衡论文名称：Accuracyvs.Complexity:ATrade-offinVisualQuestionAnsweringModels作者：FaraziMoshiurR./KhanS
  • 图片稀疏表示去噪算法 努力学图像处理的小菜 稀疏表示图像处理图像处理机器学习稀疏编码字典算法
    图片稀疏表示去噪算法。本文涉及一些算法，如OMP,K-SVD，还需要有稀疏表示和字典学习等基础，本人也未深入研究这个方向。只是在学习中的一个总结，日后可能进一步深入研究。论文ImageDenoisingViaSparseandRedundantRepresentationsOverLearnedDictionaries正文：
  • 【字典 autoencoder】K-SVD简述——字典学习，稀疏编码 hzyido
    K-SVD1.k-SVDintroduction1.K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2.MainProblem:Y=DXWhereY∈R(n*N),D∈R(n*K),X∈R(k*N),Xisasparsematrix.Nis#of
  • 字典更新与K-SVD difei1877 人工智能
    字典更新与K-SVD凯鲁嘎吉-博客园http://www.cnblogs.com/kailugaji/1.矩阵的奇异值分解(SingularValueDecomposition,SVD)2.字典更新方法2.1最优方向法(MethodofOptimalDirections,MOD)2.2标准正交基联合(UnionsofOrthonormalBases,UOB)2.3K-SVD3.参考文献K-mean
  • K-means & K-SVD原理 Nie_Xun 机器学习
    应用场景K-means算法多用于聚类K-SVD算法则可用于压缩，编码，聚类等稀疏表示用较少的基本信号的线性组合来表达大部分或者全部的原始信号。每个矩阵的列向量可看成一个信号，一个矩阵则是信号的集合。其中，基本信号可成为原子信号。设矩阵Y为样本集，由N个样本组成，每个样本由n个特征表示，即Y的尺寸为(n*N)。所谓稀疏表示，就是找到一组向量基(一组原子信号)，将此组向量基进行线性组合类表示矩阵(样本
  • K-SVD字典学习算法 机尾云拉长 机器学习K-SVD字典学习python
    1.提出问题：什么是稀疏表示假设我们用一个MN的矩阵表示数据集Y，每一行代表一个样本，每一列代表样本的一个属性，一般而言，该矩阵是稠密的，即大多数元素不为0。稀疏表示的含义是，寻找一个系数矩阵X（KN）以及一个字典矩阵D（MK），使得DX尽可能的还原Y，且X尽可能的稀疏。X便是Y的稀疏表示。算法思想算法求解思路为交替迭代的进行稀疏编码和字典更新两个步骤.K-SVD在构建字典步骤中，K-SVD不仅仅
  • 小白理解k-svd算法 滴滴滴小水滴 机器学习
    小白理解k-svd字典学习一、字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典D。从矩阵分解角度，看字典学习过程：给定样本数据集Y，Y的每一列表示一个样本；字典学习的目标是把Y矩阵分解成D、X矩阵：同时满足约束条件：X尽可能稀疏，同时D的每一列是一个归一化向量。D称之为字典，D的每一列称之为原子；X称之为编码矢量、特征、系数矩阵；字典学习可以有三种目标函数形式(1)第一种形式：这种形
  • KSVD算法 山而王王
    1.算法简介K-SVD可以看做K-means的一种泛化形式，K-means算法总每个信号量只能用一个原子来近似表示，而K-SVD中每个信号是用多个原子的线性组合来表示的。K-SVD通过构建字典来对数据进行稀疏表示，经常用于图像压缩、编码、分类等应用。2.主要问题Y=DXWhereY∈R(n*N),D∈R(n*K),X∈R(k*N),Xisasparsematrix.Nisnumberofsampl
  • K-SVD字典学习详细推导 SyGoing 机器学习
    K-SVD字典学习最近学习K-SVD字典学习算法，云里雾里地看了好几篇博客，最后老实阅读了算法的原始论文《K-SVD:AnAlgorithmforDesigningOvercompleteDictionariesforSparseRepresentation》和维基百科的讲解，不得不说还是外国人描述细致，推导认真严谨。一、K-SVD算法1、预备知识稀疏编码算法是一种无监督学习方法，它用来寻找一组“
  • K-SVD字典学习及其实现（Python） 卡尔曼和玻尔兹曼谁曼 数学（概念与方法）其它Python
    算法思想算法求解思路为交替迭代的进行稀疏编码和字典更新两个步骤.K-SVD在构建字典步骤中，K-SVD不仅仅将原子依次更新，对于原子对应的稀疏矩阵中行向量也依次进行了修正.不像MOP，K-SVD不需要对矩阵求逆，而是利用SVD数学分析方法得到了一个新的原子和修正的系数向量.固定系数矩阵X和字典矩阵D，字典的第k个原子为dk，同时dk对应的稀疏矩阵为X中的第k个行向量xkT.假设当前更新进行到原子d
  • 图像去噪算法综述 会飞的码 算法分类图像处理噪声处理
    图像降噪算法总结分析各种算法的优点和缺点1、BM3D降噪2、DCT降噪3、PCA降噪4、K-SVD降噪5、非局部均值降噪6、WNNM降噪7、基于主成分分析和双边滤波的图像降噪算法8、小波变换9、小波阈值降噪10、Contourlet变换11、基于平移不变Contourlet变换的SAR图像降噪**1、BM3D降噪BM3D是一种降噪方法提高了图像在变换域的稀疏表示。BM3D降噪方法的优点是更好的保留
  • 稀疏表示字典学习KSVD算法详解与MATLAB实现（超清晰！ 一九九六年秋_ 算法人工智能计算机视觉
    论文题目K-SVD:AnAlgorithmforDesigningOvercompleteDictionariesforSparseRepresentation这篇论文的去噪效果还是很不错的，个人认为凡是学习图像去噪/复原这一方向的都应该学习。我这篇文章是很久之前写的了，借鉴了一些大佬的理解，但由于时间久远，忘了哪部分是借鉴的谁，所以若有雷同请指出，我会重新编辑，附上大佬的原文链接。准确的说，我是
  • 【denoising】K-SVD用于图像去噪 阮恒
    前言：要想深入研究图像去噪问题，肯定离不开各种传统方法。所以从今天起，我会依次对各种传统方法进行调研学习。K-SVD去噪方法源于2006年发表在TIP上的一篇文章。这篇文章利用DCT过完备字典和K-SVD的图像稀疏去噪方法。很不幸，DCT和K-SVD我都是第一次听说。所以今天会花费大量的时候弥补基础知识漏洞。一、何为DCTDCT是一种对图像的二维离散变换。要初步了解她，需要参考下面两篇文章。《离散
  • 标签一致项（LC-KSVD）-全文解读 爽歪歪666
    LearningADiscriminativeDictionaryforSparseCodingviaLabelConsistentK-SVD1，同步学习判决字典和线性分类器2，有监督，将标签信息和字典项相关联3，标签一致项，重构误差和分类误差结合，形成统一的目标函数4，相同的类有相同的稀疏编码学习一种为稀疏编码的判决字典的标签一致性k-svd算方法。除了使用训练数据的类标签外，还将标签信息和每一
  • 基于 DCT 过完备字典和 K-SVD 的图像稀疏去噪方法 独孤呆博 图像去噪与恢复稀疏表示及其应用
      本文主要介绍基于DCTDCT过完备字典和K-SVD的图像稀疏去噪方法。在实现这个功能之前需要了解下面的一些知识：  1.《离散余弦变换（DCT）的来龙去脉》  2.《构建DCT过完备字典》  3.《稀疏表示》  4.《K-SVD的原理及实现方法》1.稀疏去噪的原理  基于稀疏分解的图像去噪按照是否是图像中的稀疏成分把图像中的信息和噪声分开。一个原子是有特殊结构的，图像中有一定结构的成分构成有用
  • 字典更新与K-SVD 凯鲁嘎吉
    字典更新与K-SVD凯鲁嘎吉-博客园http://www.cnblogs.com/kailugaji/1.矩阵的奇异值分解(SingularValueDecomposition,SVD)2.字典更新方法2.1最优方向法(MethodofOptimalDirections,MOD)2.2标准正交基联合(UnionsofOrthonormalBases,UOB)2.3K-SVD3.参考文献K-mean
  • ML笔记：字典学习2（Dictionary Learning） 炊烟袅袅岁月情 MachineLearning机器学习
    深入浅出字典学习2（DictionaryLearning）文章目录一、理解K-SVD字典学习二、K-SVD字典学习算法概述2.1、随机初始化字典D2.2、固定字典，求取每个样本的稀疏编码2.3、逐列更新字典、并更新对应的非零编码一、理解K-SVD字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典DDD。从矩阵分解角度，看字典学习过程：给定样本数据集YYY，YYY的每一列表示一个样本；字
  • k-svd实现人脸缺失像素补全 Anonymity_ 表达学习
    问题描述数据集为来自YaleB的格式为pgm的分辨率为192*168的38张完整人脸图像。使用K-SVD算法实现人脸图像的像素缺失填补实验，实验包括：（1）使用YaleB数据集中的部分人脸图像，根据ksvd算法得到字典；（2）对未参与字典训练的人脸图像进行50%，70%像素点缺失处理；（3）使用字典填补(2)得到的像素缺失图像。（4）分别进行不同次数的迭代并比较结果。解决分析  选用的稀疏优化方法
  • K-SVD字典学习及其实现（Python） 卡尔曼和玻尔兹曼谁曼 数学（概念与方法）其它Pythonksvd字典学习
    算法思想算法求解思路为交替迭代的进行稀疏编码和字典更新两个步骤.K-SVD在构建字典步骤中，K-SVD不仅仅将原子依次更新，对于原子对应的稀疏矩阵中行向量也依次进行了修正.不像MOP，K-SVD不需要对矩阵求逆，而是利用SVD数学分析方法得到了一个新的原子和修正的系数向量.固定系数矩阵X和字典矩阵D，字典的第k个原子为dk，同时dk对应的稀疏矩阵为X中的第k个行向量xkT.假设当前更新进行到原子d
  • K-SVD算法 weixin_34183910 人工智能
    它与K-mean算法原理上是类似的；K-mean算法：（之前写过：http://www.cnblogs.com/yinheyi/p/6132362.html）对于初始化的类别中心，可以看作初化的字典（每一列为一个类别中心）；而每一样本的表示可以用一个稀疏向量表示（此向量只有对应的类别为1，其余为0）K-svd算法:http://blog.csdn.net/garrison2012/article/
  • 压缩感知之匹配跟踪算法（MP&OMP） Rainbow0210 压缩感知
    压缩感知近些年在学术界非常火热，在信号处理领域取得了很多非常不错的成果。博主最近的项目涉及到K-SVD算法，所以也就顺带着学习其重要的组成部分——匹配跟踪算法。本文只介绍最基本的匹配跟踪算法和正交匹配跟踪算法，即MP和OMP。这个算法的优化和变形非常之多，近些年学术界很多人都在研究这个，有兴趣的读者可以自行查阅相关论文，本文不多做阐述。废话少说，直接上干货。所谓压缩感知，从名字就可以理解，压缩，即
  • D-KSVD（Discrimination K-SVD） qq_31076269
    一、概述 本文主要是对SRC算法的改进而介绍D-KSVD算法。由于SRC在字典学习时，选取训练集中的训练样本作为字典来进行编码，由此可能产生的问题有：字典过大，导致实验进行时运算量大耗时过长；字典原子未经过处理可能存在噪声；利用未经处理的训练样本作为字典原子，可能无法得到不同类样本所蕴含的深沉的区别点。但是SRC的优点是能够比较好点体现出字典的识别力。针对SRC的缺点，很自然的能想到字典学习的常用
  • 机器学习（十三）k-svd字典学习 hjimce
    k-svd字典学习原文地址:http://blog.csdn.net/hjimce/article/details/50810129作者：hjimce一、字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典D。从矩阵分解角度，看字典学习过程：给定样本数据集Y，Y的每一列表示一个样本；字典学习的目标是把Y矩阵分解成D、X矩阵：同时满足约束条件：X尽可能稀疏，同时D的每一列是一个归一化向量。
  • 机器学习（十三）k-svd字典学习 hjimce 机器学习
    k-svd字典学习原文地址:http://blog.csdn.net/hjimce/article/details/50810129作者：hjimce一、字典学习字典学习也可简单称之为稀疏编码，字典学习偏向于学习字典D。从矩阵分解角度，看字典学习过程：给定样本数据集Y，Y的每一列表示一个样本；字典学习的目标是把Y矩阵分解成D、X矩阵：同时满足约束条件：X尽可能稀疏，同时D的每一列是一个归一化向量。
  • K-SVD qq_27432889
    http://blog.csdn.net/abcjennifer/article/details/8693342K-SVDRachelZhang 1.k-SVDintroduction1.  K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2. 
  • 数学的记号（notation）（一） lanchunhui
    下标的理解我们来看大名鼎鼎的K-SVD算法：已知维度关系：Yn×N=Dn×KXK×N，则ωk={i|1≤i≤N,xkT(i)≠0}，表示的是遍历全部样本{yi}Ni=1对应的在D下的稀疏表示{xi}Ni=1（1≤i≤N），它们的长度为K×1，在第k个上是否显著为0，如果不是则该样本yi的稀疏表示形式xi对应的下标i，加入ωk中。也即ωw收集的是样本yi的稀疏表示版本xi，只不过要求该稀疏表示的第k
  • 二分查找排序算法 周凡杨 java二分查找排序算法折半
    一：概念 二分查找又称 折半查找（ 折半搜索/ 二分搜索），优点是比较次数少，查找速度快，平均性能好；其缺点是要求待查表为有序表，且插入删除困难。因此，折半查找方法适用于不经常变动而 查找频繁的有序列表。首先，假设表中元素是按升序排列，将表中间位置记录的关键字与查找关键字比较，如果两者相等，则查找成功；否则利用中间位置记录将表 分成前、后两个子表，如果中间位置记录的关键字大于查找关键字，则进一步
  • java中的BigDecimal bijian1013 javaBigDecimal
            在项目开发过程中出现精度丢失问题，查资料用BigDecimal解决，并发现如下这篇BigDecimal的解决问题的思路和方法很值得学习，特转载。         原文地址：http://blog.csdn.net/ugg/article/de
  • Shell echo命令详解 daizj echoshell
    Shell echo命令 Shell 的 echo 指令与 PHP 的 echo 指令类似，都是用于字符串的输出。命令格式： echo string 您可以使用echo实现更复杂的输出格式控制。 1.显示普通字符串: echo "It is a test" 这里的双引号完全可以省略，以下命令与上面实例效果一致： echo Itis a test 2.显示转义
  • Oracle DBA 简单操作 周凡杨 oracle dba sql
    --执行次数多的SQL select sql_text,executions from (      select sql_text,executions from v$sqlarea order by executions desc      ) where rownum<81;  &nb
  • 画图重绘 朱辉辉33 游戏
      我第一次接触重绘是编写五子棋小游戏的时候，因为游戏里的棋盘是用线绘制的，而这些东西并不在系统自带的重绘里，所以在移动窗体时，棋盘并不会重绘出来。所以我们要重写系统的重绘方法。   在重写系统重绘方法时，我们要注意一定要调用父类的重绘方法，即加上super.paint(g)，因为如果不调用父类的重绘方式，重写后会把父类的重绘覆盖掉，而父类的重绘方法是绘制画布，这样就导致我们
  • 线程之初体验 西蜀石兰 线程
    一直觉得多线程是学Java的一个分水岭，懂多线程才算入门。 之前看《编程思想》的多线程章节，看的云里雾里，知道线程类有哪几个方法，却依旧不知道线程到底是什么？书上都写线程是进程的模块，共享线程的资源，可是这跟多线程编程有毛线的关系，呜呜。。。 线程其实也是用户自定义的任务，不要过多的强调线程的属性，而忽略了线程最基本的属性。 你可以在线程类的run()方法中定义自己的任务，就跟正常的Ja
  • linux集群互相免登陆配置 林鹤霄 linux
    配置ssh免登陆 1、生成秘钥和公钥    ssh-keygen -t rsa 2、提示让你输入，什么都不输，三次回车之后会在~下面的.ssh文件夹中多出两个文件id_rsa 和 id_rsa.pub    其中id_rsa为秘钥，id_rsa.pub为公钥，使用公钥加密的数据只有私钥才能对这些数据解密    c
  • mysql : Lock wait timeout exceeded; try restarting transaction aigo mysql
    原文：http://www.cnblogs.com/freeliver54/archive/2010/09/30/1839042.html   原因是你使用的InnoDB   表类型的时候, 默认参数:innodb_lock_wait_timeout设置锁等待的时间是50s, 因为有的锁等待超过了这个时间,所以抱错.   你可以把这个时间加长,或者优化存储
  • Socket编程 基本的聊天实现。 alleni123 socket
    public class Server { //用来存储所有连接上来的客户 private List<ServerThread> clients; public static void main(String[] args) { Server s = new Server(); s.startServer(9988); } publi
  • 多线程监听器事件模式(一个简单的例子) 百合不是茶 线程监听模式
        多线程的事件监听器模式   监听器时间模式经常与多线程使用,在多线程中如何知道我的线程正在执行那什么内容,可以通过时间监听器模式得到        创建多线程的事件监听器模式 思路:    1, 创建线程并启动,在创建线程的位置设置一个标记     2,创建队
  • spring InitializingBean接口 bijian1013 javaspring
    spring的事务的TransactionTemplate，其源码如下： public class TransactionTemplate extends DefaultTransactionDefinition implements TransactionOperations, InitializingBean{ ... } TransactionTemplate继承了DefaultT
  • Oracle中询表的权限被授予给了哪些用户 bijian1013 oracle数据库权限
            Oracle查询表将权限赋给了哪些用户的SQL，以备查用。 select t.table_name as "表名", t.grantee as "被授权的属组", t.owner as "对象所在的属组"
  • 【Struts2五】Struts2 参数传值 bit1129 struts2
    Struts2中参数传值的3种情况 1.请求参数绑定到Action的实例字段上 2.Action将值传递到转发的视图上 3.Action将值传递到重定向的视图上   一、请求参数绑定到Action的实例字段上以及Action将值传递到转发的视图上 Struts可以自动将请求URL中的请求参数或者表单提交的参数绑定到Action定义的实例字段上，绑定的规则使用ognl表达式语言
  • 【Kafka十四】关于auto.offset.reset[Q/A] bit1129 kafka
    I got serveral questions about  auto.offset.reset. This configuration parameter governs how  consumer read the message from  Kafka when  there is no initial offset in ZooKeeper or
  • nginx gzip压缩配置 ronin47 nginx gzip 压缩范例
    nginx gzip压缩配置 更多 0 nginx gzip 配置   随着nginx的发展，越来越多的网站使用nginx，因此nginx的优化变得越来越重要，今天我们来看看nginx的gzip压缩到底是怎么压缩的呢？ gzip(GNU-ZIP)是一种压缩技术。经过gzip压缩后页面大小可以变为原来的30%甚至更小，这样，用
  • java-13.输入一个单向链表，输出该链表中倒数第 k 个节点 bylijinnan java
    two cursors. Make the first cursor go K steps first. /* * 第 13 题：题目：输入一个单向链表，输出该链表中倒数第 k 个节点 */ public void displayKthItemsBackWard(ListNode head,int k){ ListNode p1=head,p2=head;
  • Spring源码学习-JdbcTemplate queryForObject bylijinnan javaspring
    JdbcTemplate中有两个可能会混淆的queryForObject方法： 1. Object queryForObject(String sql, Object[] args, Class requiredType) 2. Object queryForObject(String sql, Object[] args, RowMapper rowMapper) 第1个方法是只查
  • [冰川时代]在冰川时代,我们需要什么样的技术? comsci 技术
         看美国那边的气候情况....我有个感觉...是不是要进入小冰期了?      那么在小冰期里面...我们的户外活动肯定会出现很多问题...在室内呆着的情况会非常多...怎么在室内呆着而不发闷...怎么用最低的电力保证室内的温度.....这都需要技术手段...   &nb
  • js 获取浏览器型号 cuityang js浏览器
    根据浏览器获取iphone和apk的下载地址 <!DOCTYPE html> <html> <head>     <meta charset="utf-8" content="text/html"/>     <meta name=
  • C# socks5详解 转 dalan_123 socketC#
    http://www.cnblogs.com/zhujiechang/archive/2008/10/21/1316308.html  这里主要讲的是用.NET实现基于Socket5下面的代理协议进行客户端的通讯，Socket4的实现是类似的，注意的事，这里不是讲用C#实现一个代理服务器，因为实现一个代理服务器需要实现很多协议，头大，而且现在市面上有很多现成的代理服务器用，性能又好，
  • 运维 Centos问题汇总 dcj3sjt126com 云主机
    一、sh 脚本不执行的原因 sh脚本不执行的原因 只有2个 1.权限不够 2.sh脚本里路径没写完整。   二、解决You have new mail in /var/spool/mail/root 修改/usr/share/logwatch/default.conf/logwatch.conf配置文件 MailTo = MailFrom   三、查询连接数
  • Yii防注入攻击笔记 dcj3sjt126com sqlWEB安全yii
    网站表单有注入漏洞须对所有用户输入的内容进行个过滤和检查，可以使用正则表达式或者直接输入字符判断，大部分是只允许输入字母和数字的，其它字符度不允许；对于内容复杂表单的内容，应该对html和script的符号进行转义替换：尤其是<,>,',"",&这几个符号 这里有个转义对照表： http://blog.csdn.net/xinzhu1990/articl
  • MongoDB简介[一] eksliang mongodbMongoDB简介
    MongoDB简介 转载请出自出处：http://eksliang.iteye.com/blog/2173288 1.1易于使用        MongoDB是一个面向文档的数据库，而不是关系型数据库。与关系型数据库相比，面向文档的数据库不再有行的概念，取而代之的是更为灵活的“文档”模型。        另外，不
  • zookeeper windows 入门安装和测试 greemranqq zookeeper安装分布式
    一、序言       以下是我对zookeeper 的一些理解：      zookeeper 作为一个服务注册信息存储的管理工具，好吧，这样说得很抽象，我们举个“栗子”。       栗子1号：       假设我是一家KTV的老板，我同时拥有5家KTV，我肯定得时刻监视
  • Spring之使用事务缘由(2-注解实现) ihuning spring
      Spring事务注解实现   1. 依赖包：     1.1 spring包：           spring-beans-4.0.0.RELEASE.jar           spring-context-4.0.0.
  • iOS App Launch Option 啸笑天 option
    iOS 程序启动时总会调用application:didFinishLaunchingWithOptions:，其中第二个参数launchOptions为NSDictionary类型的对象，里面存储有此程序启动的原因。   launchOptions中的可能键值见UIApplication Class Reference的Launch Options Keys节 。 1、若用户直接
  • jdk与jre的区别（_） macroli javajvmjdk
    简单的说JDK是面向开发人员使用的SDK，它提供了Java的开发环境和运行环境。SDK是Software Development Kit 一般指软件开发包，可以包括函数库、编译程序等。  JDK就是Java Development Kit JRE是Java Runtime Enviroment是指Java的运行环境，是面向Java程序的使用者，而不是开发者。 如果安装了JDK，会发同你
  • Updates were rejected because the tip of your current branch is behind qiaolevip 学习永无止境每天进步一点点众观千象git
    $ git push joe prod-2295-1 To [email protected]:joe.le/dr-frontend.git ! [rejected] prod-2295-1 -> prod-2295-1 (non-fast-forward) error: failed to push some refs to '[email protected]
  • [一起学Hive]之十四-Hive的元数据表结构详解 superlxw1234 hivehive元数据结构
    关键字：Hive元数据、Hive元数据表结构   之前在 “[一起学Hive]之一–Hive概述，Hive是什么”中介绍过，Hive自己维护了一套元数据，用户通过HQL查询时候，Hive首先需要结合元数据，将HQL翻译成MapReduce去执行。 本文介绍一下Hive元数据中重要的一些表结构及用途，以Hive0.13为例。   文章最后面，会以一个示例来全面了解一下，
  • Spring 3.2.14，4.1.7，4.2.RC2发布 wiselyman Spring 3
      Spring 3.2.14、4.1.7及4.2.RC2于6月30日发布。   其中Spring 3.2.1是一个维护版本(维护周期到2016-12-31截止)，后续会继续根据需求和bug发布维护版本。此时，Spring官方强烈建议升级Spring框架至4.1.7 或者将要发布的4.2 。   其中Spring 4.1.7主要包含这些更新内容。
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他