您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. 用Acronis Disk Director Suite 10对Mini10重新分区的方法

  2. 用Acronis Disk Director Suite 10对Mini10重新分区的方法 1. 先下载Acronis Disk Director Suite 10以及注册机, 在下载前先关闭Mcafee的防毒保护, 因为Mcafee会误将Disk Director Suite 10的注册机认为是一个*, 将其删除。 关闭Mcafee防毒保护的方法 A. 右键点Mcafee的图标,选择“更改设置”如图 B. 在左边“配制”栏选择“计算机和文件”,将“已启用病毒防护”改为“关”, 在随后跳出来
  3. 所属分类:C

    • 发布日期:2009-09-17
    • 文件大小:1048576
    • 提供者:liannalotus
  1. Visual C++ 编程资源大全(源码 控件)

  2. 1,WINAPI_OCX.zip封装了部分Windows API的控件(92KB)2,HeaderCtrl.zip多行标题的CListCtrl(19KB)3,RoundBut.zip你需要圆形的按钮吗?这个类已经替你做好了,它可是有正常、平面、下推几种风格的,快使用它吧(25KB)4,TransBut.zip实现背景 透明的按钮类(306KB)5,AviButton.zip这个类库可以在按钮上显示AVI动画,很酷的(68KB)6,cirbutton.zip一个圆形的可下推按钮,还不错,可以试试
  3. 所属分类:C++

    • 发布日期:2007-10-19
    • 文件大小:3145728
    • 提供者:zhangxucool
  1. 计算机网络试卷带答案

  2. 近两年我校考试试卷,内容丰富 1. 以下哪个设备通常会只包括数据链路层和物理层这两层的功能?( ) A. 中继器 B. 路由器 C. 三层交换机 D. 网络适配器 2. 在PPP协议帧的数据段中出现比特串“010111111010”, 则经比特填充后输出的二进制序列为 ( ) A. 010111111010 B. 0101111101010 C. 0101011111010 D. 0101110111010 3. 数据压缩技术、密钥密码理论在七层OSI参考模型中属于( )。 A. 数据链路层
  3. 所属分类:C

  1. 数学建模方法:蚁群算法

  2. 标题——作者——出处 基于蚁群优化算法递归神经网络的短期负荷预测 蚁群算法的小改进 基于蚁群算法的无人机任务规划 多态蚁群算法 MCM基板互连测试的单探针路径优化研究 改进的增强型蚁群算法 基于云模型理论的蚁群算法改进研究 基于禁忌搜索与蚁群最优结合算法的配电网规划 自适应蚁群算法在序列比对中的应用 基于蚁群算法的QoS多播路由优化算法 多目标优化问题的蚁群算法研究 多线程蚁群算法及其在最短路问题上的应用研究 改进的蚁群算法在2D HP模型中的应用 制造系统通用作业计划与蚁群算法优化 基于混合
  3. 所属分类:其它

    • 发布日期:2010-05-21
    • 文件大小:25165824
    • 提供者:wu_wenyang
  1. TCP/IP协议栈浅析

  2. (自己公司同事写的PPT) TCP/IP协议栈的历史 TCP/IP协议栈的设计思想 IP协议 UDP协议 TCP协议,状态机 TCP定时器,滑动窗口
  3. 所属分类:其它

    • 发布日期:2010-09-21
    • 文件大小:933888
    • 提供者:morneve1
  1. 滑动窗口机制实现的UDP可靠性传输(自己写的JAVA类)

  2. 滑动窗口机制实现的UDP可靠性传输(自己写的JAVA类)
  3. 所属分类:网络基础

    • 发布日期:2011-04-05
    • 文件大小:15360
    • 提供者:xwq_001
  1. 一个小型精悍的TCP阻断器

  2. 众所周知,远程TCP阻断是一个非常难的事,但在本地进行TCP阻断成为可能,利用TCP的RST字和滑动窗口的漏洞来进行阻断成为可能,本程序提供了一个界面,能够自动获取本机IP,并能过滤需要阻断的IP,以及进行定时阻断等功能,在环境是多网卡的情况下依然有效。
  3. 所属分类:C++

    • 发布日期:2012-04-05
    • 文件大小:22020096
    • 提供者:ghxyydx001
  1. C#套接字滑动窗口

  2. 使用了套接字,还有Server和Client之间采用滑动窗口协议,大小为1,是一个比较简单的小程序,其中Client使用了3个线程,一个负责监听,一个负责控制客户机发送信息,工具:VS2010
  3. 所属分类:网络基础

    • 发布日期:2012-12-26
    • 文件大小:58368
    • 提供者:hctang99
  1. LwIP协议栈源码详解

  2. 目录 1 移植综述------------------------------------------------------------------------------------------------------ 4 2 动态内存管理------------------------------------------------------------------------------------------------ 6 3 数据包 pbuf -----------------
  3. 所属分类:网络基础

    • 发布日期:2015-09-15
    • 文件大小:1048576
    • 提供者:dadajoke2
  1. 量化投资模型

  2. 机器学习(股票) 量化策略源码,本策略选取了七个特征变量组成了滑动窗口长度为15天的训练集,随后训练了一个二分类(上涨/下跌)的支持向量机模型. 若没有仓位则在每个星期一的时候输入标的股票近15个交易日的特征变量进行预测,并在预测结果为上涨的时候购买标的. 若已经持有仓位则在盈利大于10%的时候止盈,在星期五损失大于2%的时候止损. 特征变量为:1.收盘价/均值2.现量/均量3.最高价/均价4.最低价/均价5.现量6.区间收益率7.区间标准差
  3. 所属分类:金融

    • 发布日期:2019-03-26
    • 文件大小:3072
    • 提供者:cscwyk
  1. 使用超声波的智能手机手势识别.pdf

  2. 利用超声波技术,在智能手机上实现手势识别功能。非常实用的一篇论文徐曾春,吴凯娇,胡平:使用超声波的智能手机手势识别 ()挥手向前 ()挥手向后 ()挥手向左 ()挥手向右 图不同的手势时频图 特征均为先靠近发射源,然后远离发射源,但是细节方 面咯有不同。 实现细节 系统流程 获得反射的超声波数据集 图为系统流程图。首先,通过话筒获取 最初,系统先获得手势运动的时间序列片段,此时 段时间序列,经过快速傅里叶()变换将此序列从时片段已经经过处理,结果如图所示。出于本实验 域信号转换为频域信号。接着搜
  3. 所属分类:Android

    • 发布日期:2019-10-15
    • 文件大小:946176
    • 提供者:xiaokala_2011
  1. 保研计网复习.pdf

  2. 计算机网络复习资料,保研或面试用,课程考试复习请勿使用!未经允许请勿转载或用作商业用途! 重新下调了下载积分(2)传输控制协议TCP A.面向连接(虛连接),可靠,面向(无结构的)字节流,只能是点对点通 信(其端点叫做套接字 socket),全双工,根据窗口值和网络拥塞进行传 输 B.TCP传输单元:报文段,首部20固定字节,计算校验和(反码求和)时 也算上伪首部 C.用例:简单邮件传送协议SMTP、超文本传送协议HTTP、文件传输协议 FTP、远程终端协议 TELENT D.相关协议可靠保证
  3. 所属分类:讲义

    • 发布日期:2019-10-05
    • 文件大小:548864
    • 提供者:qq_38633884
  1. 2020 408考研大纲-计算机学科专业基础综合.pdf

  2. 2020 408考研大纲-计算机学科专业基础综合考试大纲,计算机学科专业基础综合考试大纲3能够运用所学的提作统原覆方法与技术分析间题和解庆到 题,并能利用 输出(1O)系的 慨述 o累统基*概魯 )操作系 念特征,进能 的酸务 各:里盘,鼠标 展与分步 2.输出设备:示器 3.外字储器:硬盘车储器盘阵列光盘存蜻器 三)操作系缆的运行环境 1,内核态与用户态 2.中断、异常 O接口(1O控制 3.系统调用 接口功能和基本结构 口其址 体系错动 (四)LO方式 进程管理 (一)进程与线程 程序中断方
  3. 所属分类:其它

    • 发布日期:2019-07-14
    • 文件大小:776192
    • 提供者:qq_26632895
  1. 《动手学——LeNet》笔记

  2. Convolutional Neural Networks ps 之前图像分类识别的方法:构造一个单隐藏层的多层感知机模型,将28×28的图像展开,形成一个长为724的一维向量,并输入到全连接层。 使用全连接层的局限性: 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像,使用全连接层容易导致模型过大。 使用卷积层的优势: 卷积层保留输入形状。 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算,从而避免参数尺寸过大。 LeNet 模型
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:122880
    • 提供者:weixin_38722607
  1. 将快速傅里叶变换与机器学习集成模型相结合,以支持针对远程医疗环境中心脏病患者的建议

  2. 最近,在远程医疗环境中的临床决策中使用智能技术已开始在改善患者生活质量和帮助减少日常医疗保健的成本和工作量方面发挥至关重要的作用。 本文提出了一种使用快速傅里叶变换耦合机器学习集成模型的有效医学推荐系统,用于短期疾病风险预测,从而为慢性心脏病患者提供有关是否需要接受医学检查的适当建议。在分析他们的医疗数据的基础上进行的第二天。 通过使用快速傅里叶变换来分解基于患者时间序列数据的滑动窗口的输入序列,以提取频率信息。 利用基于套袋的总体模型来提前一天预测患者的病情,以产生最终建议。 结合使用三个分类
  3. 所属分类:其它

    • 发布日期:2021-03-15
    • 文件大小:5242880
    • 提供者:weixin_38564598
  1. 多状态系统中基于随机播放的异常检测

  2. 1异常事件被定义为与特征空间中的其他点稀有且不同的点。 常规的异常检测方法通常利用获知的概率分布模型来找到低概率事件,或者使用测试样本的局部密度来评估测试样本。 多状态系统通常具有多个正常状态,并且由于日常操作(例如进料,出口,流量控制等)导致状态变化在不可预测的点上。对于多状态系统,收集包含所有可能状态的足够数据是具有挑战性的,或者对用户而言是不可能的。 此外,常规的异常检测方法对训练数据集的上下文或测试数据集的不可预测的阶段性变化很敏感,或者仅考虑测试样本的局部密度。 受此问题的推动,我们将
  3. 所属分类:其它

    • 发布日期:2021-03-06
    • 文件大小:1048576
    • 提供者:weixin_38656400
  1. 基于M估计器的在线序贯极限学习机,用于预测具有离群值的混沌时间序列

  2. 提出了一种基于M估计量的在线序列极限学习机(M-OSELM)来预测具有离群值的混沌时间序列。 M-OSELM是从在线顺序极限学习机(OSELM)算法发展而来的,并保留了与OSELM相同的出色顺序学习能力,但是用基于M估计器的稳健成本函数取代了传统的最小二乘成本函数,以增强模型的鲁棒性。 通过最小化基于M估计器的成本函数,可以防止可能的异常值进入模型的输出权重更新方案。 同时,在M-OSELM的顺序学习过程中,引入了一种基于误差滑动窗的顺序参数估计方法,以估计Mestimator函数的阈值,用于在
  3. 所属分类:其它

    • 发布日期:2021-02-26
    • 文件大小:882688
    • 提供者:weixin_38752282
  1. 基于候选区域定位与HOG-CLBP特征组合的行人检测

  2. 基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢。鉴于此,提出一种行人检测算法。首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口。然后,为了弥补LBP算子在纹理表达上的缺陷,引入完备的局部二值模式(CLBP)算子来提高纹理特征的表达能力。接着,考虑到HOG特征和CLBP算子特征维数过高对分类器的识别能力产生影响,采用主成分分析的方法分别对HO
  3. 所属分类:其它

    • 发布日期:2021-02-21
    • 文件大小:3145728
    • 提供者:weixin_38593701
  1. Java-Leetcode:LeetCode中算法的实践。 已解决400个问题-源码

  2. Java的刷题本 题库:LeetCode已刷:357 题号 标题 Java 类别 1个 两个和 哈希 2 加两个数字 链表 3 最长子串,不重复字符 滑动窗口 4 两个排序数组的中位数 二分 5 最长回文子串 知识管理 6 之字形转换 刊登题 7 反向整数 弦乐 8 字符串到整数atoi 有限状态机 9 回文数 弦乐 11 盛满水的容器 双指针 12 整数到罗马 弦乐 13 罗马到整数 弦乐 14 最长公共前缀 弦乐 15 3和 双指针 16 3sum最接近 双指针
  3. 所属分类:其它

    • 发布日期:2021-02-11
    • 文件大小:373760
    • 提供者:weixin_42119989
  1. 基于上下文量化的移动用户偏好在线学习模型

  2. 在移动网络中,移动用户对访问信息的性能有严格的要求。 为了及时,准确地为移动用户提供个性化服务,提出了一种基于上下文量化的移动用户偏好在线学习模型。 该模型提出了一种上下文量化方法,可以提高学习到的移动用户偏好的准确性。 介绍了滑动窗口和在线极限学习机(O-ELM)来实现在线学习。 首先,需要通过分析移动用户的行为来判断移动用户的偏好是否受到上下文的影响。 其次,根据上下文相关性和上下文相似度对上下文进行量化。 然后,使用滑动窗口来选择在更新移动用户偏好时需要学习的样本。 最后,采用O-ELM来
  3. 所属分类:其它

    • 发布日期:2021-03-27
    • 文件大小:607232
    • 提供者:weixin_38651450
« 12 »