xonoer Goto Github PK
Type: User
Type: User
对bilibili某番剧短评爬虫,jieba分词,使用WordCloud进行展示,Python库很多,可以实现很多炫酷的效果,本人Python萌新一枚,还在不断学习中。欢迎各位大佬指正。
使用python第三方库wxPython、matplotlib、pcap、numpy等,从udp包里提取数据并计算出天线的广播权,最终形成beam forming图像。增加了UI控制台,可控制图像的暂停、图像参数的实时输入、图像坐标系的选择。过程中解决了绑定网卡数据包、图像窗口的动态刷新、设置说明文字的位置大小及自定义极坐标轴的刻度等问题。
现代数据库第一次大作业,使用python爬取200*5条新闻存储到XML中,并使用特征提取分析出主要关系
感觉到很有压力,小学生都在学习 Python 了,自己刚好这段时间比较有空闲也开始自己学习下 Python,把学习过程中的一些笔记都记录在这里,希望大家共勉!PS:Java 部分会同步更新的,节假日可能不更新!
这个是作为每一同学提交项目的练习,要求大家按照要求,将项目提交到一个新库中
电商网站. V1.0版本 -- 单体架构, 服务器, 应用, 数据库都是1-1; v2.0版本, tomcat集群, Nginx负载均衡, Redis集群以及数据库读写分离; 目前正在开发v3.0, 把SpringMVC升级到SpringBoot, 大表拆小表, 新增抢购功能以及方案. v4.0会升级到SpringCloud.... 正在开发中.....
我自己总结封装的android开发框架,可以大大的提高开发效率,特别是对新手和初中级开发工程师来说是一大帮助,使用说明在APP文件夹下,APP文件夹是demo源码,libumeng,photoSelectActivity,nlib,okgo等都是库,开发的时候当做module引入即可,使用过程中有任何疑问可以QQ邮箱我哦
全称QuickMarkScene二维码识别软件应用场景。思考,目前二维码应用到的领域多种多样,渗透到了人们生活中的方方面面。随着技术蔓延到人工智能领域和人们生活水平的提高,或多或少都会接触一些新鲜事物,有没有想过一些传统的场景,可以用二维码方式替代呢?请大家发挥发散思维一起完成一个有趣的事情吧!赶快加入我们!
在公司接了一个任务,完成一个项目数据同步的模块。要求是不能操作项目的数据库。怕操作不当,数据丢失。所以想到的方案是使用log4jdbc记录数据源的SQL语句到日志文件。然后按行读取日志文件中的数据,记录读取的Point,以便下次继续读取。读取的数据进入bigqueue队列,bigqueue为一个大型、快速且持久的队列实现。使用netty将出对数据实时由客户端传输到服务端。传输后获取状态,判断状态,失败则重新传输。成功传输下一条数据。保证数据的时效性及有序性。作为一个刚结束实习生活Java新手,查阅了队列,netty,以及Java多线程的知识,参考了很多大牛总结的博文。写了这个demo。还有一个服务端用于接收数据,并保存到目标数据库。此模块还有很多地方需要优化,(比如里面涉及的文件路径问题等等)
discriminiant.distance<-function#两总体的距离判别函数 (TrnX1, TrnX2, TstX = NULL, var.equal = FALSE){ if (is.null(TstX) == TRUE) TstX<-rbind(TrnX1,TrnX2)#若无测试集,用训练集做测试集回判 if (is.vector(TstX) == TRUE) TstX<-t(as.matrix(TstX))#若测试集是一个待测样本(即一个向量),则需转置做一个样本 else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX)#若测试集不是矩阵(也不是向量,即如果是数据框,则转化为矩阵) if (is.matrix(TrnX1) != TRUE) TrnX1<-as.matrix(TrnX1)#第一个总体训练集若不是矩阵,则转化为矩阵 if (is.matrix(TrnX2) != TRUE) TrnX2<-as.matrix(TrnX2)#第二个总体训练集若不是矩阵,则转化为矩阵 nx<-nrow(TstX)#测试集的行数 blong<-matrix(rep(0, nx), nrow=1, byrow=TRUE, dimnames=list("blong", 1:nx))#定义测试集的归属类别向量为blong mu1<-colMeans(TrnX1); mu2<-colMeans(TrnX2) #分别提取两个训练集的样本均值向量 if (var.equal == TRUE || var.equal == T){ S<-var(rbind(TrnX1,TrnX2))#如果两总体方差相等,则用联合样本协方差阵作为协方差阵的估计 w<-mahalanobis(TstX, mu2, S)-mahalanobis(TstX, mu1, S)#计算测试集第二总体距离与第一总体距离之差 } else{#如果协方差阵不等,则分别估计两个总体协方差阵 S1<-var(TrnX1); S2<-var(TrnX2) w<-mahalanobis(TstX, mu2, S2)-mahalanobis(TstX, mu1, S1)#计算测试集第二总体距离与第一总体距离之差 } for (i in 1:nx){ if (w[i]>0)#若到2距离大于到1距离 blong[i]<-1#则判归1 else#否则 blong[i]<-2#判归2 } blong#返回测试集的归属类别 } #两总体距离判别例子 classX1<-data.frame( x1=c(6.60, 6.60, 6.10, 6.10, 8.40, 7.2, 8.40, 7.50, 7.50, 8.30, 7.80, 7.80), x2=c(39.00, 39.00, 47.00, 47.00, 32.00, 6.0, 113.00, 52.00, 52.00,113.00,172.00,172.00), x3=c(1.00, 1.00, 1.00, 1.00, 2.00, 1.0, 3.50, 1.00, 3.50, 0.00, 1.00, 1.50), x4=c(6.00, 6.00, 6.00, 6.00, 7.50, 7.0, 6.00, 6.00, 7.50, 7.50, 3.50, 3.00), x5=c(6.00, 12.00, 6.00, 12.00, 19.00, 28.0, 18.00, 12.00, 6.00, 35.00, 14.00, 15.00), x6=c(0.12, 0.12, 0.08, 0.08, 0.35, 0.3, 0.15, 0.16, 0.16, 0.12, 0.21, 0.21), x7=c(20.00, 20.00, 12.00, 12.00, 75.00, 30.0, 75.00, 40.00, 40.00,180.00, 45.00, 45.00) ) classX2<-data.frame( x1=c(8.40, 8.40, 8.40, 6.3, 7.00, 7.00, 7.00, 8.30, 8.30, 7.2, 7.2, 7.2, 5.50, 8.40, 8.40, 7.50, 7.50, 8.30, 8.30, 8.30, 8.30, 7.80, 7.80), x2=c(32.0 ,32.00, 32.00, 11.0, 8.00, 8.00, 8.00, 161.00, 161.0, 6.0, 6.0, 6.0, 6.00,113.00,113.00, 52.00, 52.00, 97.00, 97.00,89.00,56.00,172.00,283.00), x3=c(1.00, 2.00, 2.50, 4.5, 4.50, 6.00, 1.50, 1.50, 0.50, 3.5, 1.0, 1.0, 2.50, 3.50, 3.50, 1.00, 1.00, 0.00, 2.50, 0.00, 1.50, 1.00, 1.00), x4=c(5.00, 9.00, 4.00, 7.5, 4.50, 7.50, 6.00, 4.00, 2.50, 4.0, 3.0, 6.0, 3.00, 4.50, 4.50, 6.00, 7.50, 6.00, 6.00, 6.00, 6.00, 3.50, 4.50), x5=c(4.00, 10.00, 10.00, 3.0, 9.00, 4.00, 1.00, 4.00, 1.00, 12.0, 3.0, 5.0, 7.00, 6.00, 8.00, 6.00, 8.00, 5.00, 5.00,10.00,13.00, 6.00, 6.00), x6=c(0.35, 0.35, 0.35, 0.2, 0.25, 0.25, 0.25, 0.08, 0.08, 0.30, 0.3, 0.3, 0.18, 0.15, 0.15, 0.16, 0.16, 0.15, 0.15, 0.16, 0.25, 0.21, 0.18), x7=c(75.00, 75.00, 75.00, 15.0, 30.00, 30.00, 30.00, 70.00, 70.00, 30.0, 30.0, 30.0, 18.00, 75.00, 75.00, 40.00, 40.00,180.00,180.00,180.00,180.00, 45.00, 45.00) ) source("discriminiant.distance.R") discriminiant.distance(classX1, classX2, var.equal=TRUE) discriminiant.distance(classX1, classX2) distinguish.distance<-function#多总体距离判别函数 (TrnX, TrnG, TstX = NULL, var.equal = FALSE){#输入分别为训练集,训练集的类别,测试集,方差是否相等 if ( is.factor(TrnG) == FALSE){#如果TrnG不是因子,此时把TrnG看成第二个训练样本,即此法兼容了两总体判别问题 mx<-nrow(TrnX); mg<-nrow(TrnG) TrnX<-rbind(TrnX, TrnG)#把TrnX和TrnG合并成一个新的训练集 TrnG<-factor(rep(1:2, c(mx, mg)))#重新定义了新的训练集的分类情况,至此对两总体的兼容结束 } if (is.null(TstX) == TRUE) TstX<-TrnX#如果没输入测试集,则把训练集作为测试集回判测试 if (is.vector(TstX) == TRUE) TstX<-t(as.matrix(TstX))#若测试集是一个待测样本(即一个向量),则需转置做一个样本 else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX)#若测试集不是矩阵(也不是向量,即如果是数据框,则转化为矩阵) if (is.matrix(TrnX) != TRUE) TrnX<-as.matrix(TrnX)#若训练集不是矩阵,则转化为矩阵 nx<-nrow(TstX)#测试集的行数 blong<-matrix(rep(0, nx), nrow=1, dimnames=list("blong", 1:nx))#定义测试集的样本归属向量 g<-length(levels(TrnG))#训练集的水平数目,即总体数 mu<-matrix(0, nrow=g, ncol=ncol(TrnX))#定义训练集的均值向量,每行代表一个样本均值 for (i in 1:g) mu[i,]<-colMeans(TrnX[TrnG==i,]) D<-matrix(0, nrow=g, ncol=nx)#定义样本到各训练集的距离,每行代表一个类别,每列代表一个测试样品到各总体距离 if (var.equal == TRUE || var.equal == T){#若方差相等,则用联合协方差阵估计协方差阵 for (i in 1:g) D[i,]<- mahalanobis(TstX, mu[i,], var(TrnX))#计算测试的每个样本到i总体的距离保存在D的第i行 } else{ for (i in 1:g) D[i,]<- mahalanobis(TstX, mu[i,], var(TrnX[TrnG==i,])) } for (j in 1:nx){#第j个样品 dmin<-Inf for (i in 1:g)#到第i类的距离 if (D[i,j]<dmin){ dmin<-D[i,j]; blong[j]<-i#判给距离最近的类,再循环 } } blong } #多总体距离判别例子 X<-iris[,1:4] G<-gl(3,50) source("distinguish.distance.R") distinguish.distance(X,G) discriminiant.bayes<-function#对两正态总体的贝叶斯判别函数P474 (TrnX1, TrnX2, rate=1, TstX = NULL, var.equal = FALSE){#输入中的rate为错判代价比乘以先验概率比 if (is.null(TstX) == TRUE) TstX<-rbind(TrnX1,TrnX2) if (is.vector(TstX) == TRUE) TstX<-t(as.matrix(TstX)) else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX) if (is.matrix(TrnX1) != TRUE) TrnX1<-as.matrix(TrnX1) if (is.matrix(TrnX2) != TRUE) TrnX2<-as.matrix(TrnX2)#之前修改和重新定义各种输入格式,同两总体距离判别 nx<-nrow(TstX) blong<-matrix(rep(0, nx), nrow=1, byrow=TRUE, dimnames=list("blong", 1:nx)) mu1<-colMeans(TrnX1); mu2<-colMeans(TrnX2) if (var.equal == TRUE || var.equal == T){ S<-var(rbind(TrnX1,TrnX2)); beta<-2*log(rate)#协方差阵相等时的beta w<-mahalanobis(TstX, mu2, S)-mahalanobis(TstX, mu1, S) } else{ S1<-var(TrnX1); S2<-var(TrnX2) beta<-2*log(rate)+log(det(S1)/det(S2))#协方差阵不等时的beta w<-mahalanobis(TstX, mu2, S2)-mahalanobis(TstX, mu1, S1) } for (i in 1:nx){ if (w[i]>beta)#判别规则 blong[i]<-1 else blong[i]<-2 } blong } TrnX1<-matrix( c(24.8, 24.1, 26.6, 23.5, 25.5, 27.4, -2.0, -2.4, -3.0, -1.9, -2.1, -3.1), ncol=2) TrnX2<-matrix( c(22.1, 21.6, 22.0, 22.8, 22.7, 21.5, 22.1, 21.4, -0.7, -1.4, -0.8, -1.6, -1.5, -1.0, -1.2, -1.3), ncol=2) source("discriminiant.bayes.R") #### 样本协方差相同 discriminiant.bayes(TrnX1, TrnX2, rate=8/6, var.equal=TRUE) #### 样本协方差不同 discriminiant.bayes(TrnX1, TrnX2, rate=8/6) #两总体贝叶斯判别例子 distinguish.bayes<-function#对多正态总体贝叶斯判别函数,假设错判代价相等时的判别 (TrnX, TrnG, p=rep(1, length(levels(TrnG))), TstX = NULL, var.equal = FALSE){ if ( is.factor(TrnG) == FALSE){ mx<-nrow(TrnX); mg<-nrow(TrnG) TrnX<-rbind(TrnX, TrnG) TrnG<-factor(rep(1:2, c(mx, mg))) } if (is.null(TstX) == TRUE) TstX<-TrnX if (is.vector(TstX) == TRUE) TstX<-t(as.matrix(TstX)) else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX) if (is.matrix(TrnX) != TRUE) TrnX<-as.matrix(TrnX)#之前跟多总体距离判别相同,修改各种输入格式和兼容两总体情况 nx<-nrow(TstX) blong<-matrix(rep(0, nx), nrow=1, dimnames=list("blong", 1:nx)) g<-length(levels(TrnG)) mu<-matrix(0, nrow=g, ncol=ncol(TrnX)) for (i in 1:g) mu[i,]<-colMeans(TrnX[TrnG==i,]) D<-matrix(0, nrow=g, ncol=nx) if (var.equal == TRUE || var.equal == T){ for (i in 1:g){ d2 <- mahalanobis(TstX, mu[i,], var(TrnX)) D[i,] <- d2 - 2*log(p[i])#协方差阵相等时,每个样品到第i个类别的广义平方距离 } } else{ for (i in 1:g){ S<-var(TrnX[TrnG==i,]) d2 <- mahalanobis(TstX, mu[i,], S) D[i,] <- d2 - 2*log(p[i])-log(det(S))#协方差阵不相等时,每个样品到第i个类别的广义平方距离 } } for (j in 1:nx){ dmin<-Inf for (i in 1:g) if (D[i,j]<dmin){#判别规则:判给广义距离最近者 dmin<-D[i,j]; blong[j]<-i } } blong } #多总体贝叶斯判别的例子 X<-iris[,1:4] G<-gl(3,50) source("distinguish.bayes.R") distinguish.bayes(X,G) discriminiant.fisher<-function(TrnX1, TrnX2, TstX = NULL){#Fisher判别函数 if (is.null(TstX) == TRUE) TstX<-rbind(TrnX1,TrnX2) if (is.vector(TstX) == TRUE) TstX<-t(as.matrix(TstX)) else if (is.matrix(TstX) != TRUE) TstX<-as.matrix(TstX) if (is.matrix(TrnX1) != TRUE) TrnX1<-as.matrix(TrnX1) if (is.matrix(TrnX2) != TRUE) TrnX2<-as.matrix(TrnX2)#同之前的各种函数,修改输入格式 nx<-nrow(TstX) blong<-matrix(rep(0, nx), nrow=1, byrow=TRUE, dimnames=list("blong", 1:nx)) n1<-nrow(TrnX1); n2<-nrow(TrnX2) mu1<-colMeans(TrnX1); mu2<-colMeans(TrnX2) S<-(n1-1)*var(TrnX1)+(n2-1)*var(TrnX2) mu<-n1/(n1+n2)*mu1+n2/(n1+n2)*mu2 w<-(TstX-rep(1,nx) %o% mu) %*% solve(S, mu2-mu1); for (i in 1:nx){ if (w[i]<=0) blong[i]<-1 else blong[i]<-2 } blong } #两总体fisher判别例子 classX1<-data.frame( x1=c(6.60, 6.60, 6.10, 6.10, 8.40, 7.2, 8.40, 7.50, 7.50, 8.30, 7.80, 7.80), x2=c(39.00, 39.00, 47.00, 47.00, 32.00, 6.0, 113.00, 52.00, 52.00,113.00,172.00,172.00), x3=c(1.00, 1.00, 1.00, 1.00, 2.00, 1.0, 3.50, 1.00, 3.50, 0.00, 1.00, 1.50), x4=c(6.00, 6.00, 6.00, 6.00, 7.50, 7.0, 6.00, 6.00, 7.50, 7.50, 3.50, 3.00), x5=c(6.00, 12.00, 6.00, 12.00, 19.00, 28.0, 18.00, 12.00, 6.00, 35.00, 14.00, 15.00), x6=c(0.12, 0.12, 0.08, 0.08, 0.35, 0.3, 0.15, 0.16, 0.16, 0.12, 0.21, 0.21), x7=c(20.00, 20.00, 12.00, 12.00, 75.00, 30.0, 75.00, 40.00, 40.00,180.00, 45.00, 45.00) ) classX2<-data.frame( x1=c(8.40, 8.40, 8.40, 6.3, 7.00, 7.00, 7.00, 8.30, 8.30, 7.2, 7.2, 7.2, 5.50, 8.40, 8.40, 7.50, 7.50, 8.30, 8.30, 8.30, 8.30, 7.80, 7.80), x2=c(32.0 ,32.00, 32.00, 11.0, 8.00, 8.00, 8.00, 161.00, 161.0, 6.0, 6.0, 6.0, 6.00,113.00,113.00, 52.00, 52.00, 97.00, 97.00,89.00,56.00,172.00,283.00), x3=c(1.00, 2.00, 2.50, 4.5, 4.50, 6.00, 1.50, 1.50, 0.50, 3.5, 1.0, 1.0, 2.50, 3.50, 3.50, 1.00, 1.00, 0.00, 2.50, 0.00, 1.50, 1.00, 1.00), x4=c(5.00, 9.00, 4.00, 7.5, 4.50, 7.50, 6.00, 4.00, 2.50, 4.0, 3.0, 6.0, 3.00, 4.50, 4.50, 6.00, 7.50, 6.00, 6.00, 6.00, 6.00, 3.50, 4.50), x5=c(4.00, 10.00, 10.00, 3.0, 9.00, 4.00, 1.00, 4.00, 1.00, 12.0, 3.0, 5.0, 7.00, 6.00, 8.00, 6.00, 8.00, 5.00, 5.00,10.00,13.00, 6.00, 6.00), x6=c(0.35, 0.35, 0.35, 0.2, 0.25, 0.25, 0.25, 0.08, 0.08, 0.30, 0.3, 0.3, 0.18, 0.15, 0.15, 0.16, 0.16, 0.15, 0.15, 0.16, 0.25, 0.21, 0.18), x7=c(75.00, 75.00, 75.00, 15.0, 30.00, 30.00, 30.00, 70.00, 70.00, 30.0, 30.0, 30.0, 18.00, 75.00, 75.00, 40.00, 40.00,180.00,180.00,180.00,180.00, 45.00, 45.00) ) source("discriminiant.fisher.R") discriminiant.fisher(classX1, classX2)
实际开发中肯定会遇到需要实现RecyclerView上拉刷新,下拉加载更多的操作,如果一直自己写肯定是比较费时间的,其实已经有一些大牛搞过这些东西了,不如直接使用。现在就推荐几个常用的框架。可以满足我们的需求
Redux开发架构在Android平台的简单示例,结合EventBus通过状态来驱动UI更新,示例中用常用的登录,注册功能来演示了数据流的单向流动过程,适用于解决在大型项目中由于项目逐渐庞大,各种状态管理交错影响带来的问题
远程日志查看,通过okhttp发送日志,所以使用时要添加okhttp的依赖,使用时,启动安卓程序后,记得打开远程接收日志服务的Log.exe程序,android 项目中的清单文件中的 这个可以是自己电脑也可以是其他安装log.exe程序的电脑ip。然后打开对应ip网页,如:http://192.168.4.219:8080/就可以查看到日志信息。 该项目最初是因为有时候测试的android机器比较大,本人使用的电脑又不是笔记本,对于随时调试查看日志不太方便,所以就写了这个项目,这个项目时参考https://blog.csdn.net/chenjie19891104/article/details/50623129,由于这个参考项目比较老,所以修改了http服务,原文是使用Python接收日志,需要一点python的基础和环境配置,而且python代码中有一点错误,造成刷新日志会导致崩溃的问题,所以修改了代码,然后打包成exe程序,所以现在可以直接使用,无需python环境。简单易用。
参考改进的rocchio论文写的小demo,抓取最近美国大选的**党代会和特朗普的新闻文本,通过选取若干个单词,使用rocchio算法计算3个测试样本是属于**党的新闻还是特朗普的新闻。这里的词频都是直接统计好写死在程序中了
**八大指数交易额统计,Golang,SQLite3,新浪财经API
Build your own SaaS product with SaaS boilerplate app.
(该项目为母校电子信息工程学院2018年度省重点创新项目,并在北大参加比赛,最终获得2019年**大学生计算机设计大赛全国一等奖)基于已有的高校学生在校期间各方面的信息,联合教务办、学工办、就业办及研究生处等多部门,开发学生发展数据综合评价与分析系统,实现对学生在校期间学习、发展情况的智能化统计、分析,挖掘其内在的数据关系,为教师和辅导员提供更具针对性的教学对策,营造良好的学习氛围,促进师生交流,提高管理效率。
上海电机学院 SDJU 计算机系 CS SE 课程资料 代码 实验报告 期末考试( 大型数据库 操作系统 数据挖掘 计算机网络... ) 更新中
数据安全传输基础设置平台项目(简称,数据传输平台),是一款基础设施类项目,为集团、企业信息系统的提供统一、标准的信息安全服务;解决企业和企业之间,集团内部信息数据的传输安全、消息安全、身份鉴别和认证;成功解决了传统的安全产品部署分散、效率低下、系统脆弱等关键问题。是当前新政策“逻辑大集中”、“业务大集中”下的新需求。 数据传输平台解决方案不仅可面向具有高安全性和高性能需求的电子商务、电子政务领域应用,提高整体系统的稳健性、高效性和成熟性;而且可应用于各种"云"中心、"云"节点,解决数据的本地存储、网络传输、身份认证、数据完整性等安全问题。
#Android的传感器融合演示[![Build Status](https://www.bitrise.io/app/46b5cf7adea1286f.svg?token=MZUhPFZvIBiaTSEinY9zUQ&branch=master)](https://www.bitrise.io/app/46b5cf7adea1286f )[![Build Status](https://travis-ci.org/apacha/sensor-fusion-demo.svg?branch=master)](https://travis-ci.org/apacha/sensor-fusion-演示)[![文档状态](https://readthedocs.org/projects/sensor-fusion-demo/badge/?version=latest)](http://sensor-fusion-demo.readthedocs.io/en/最新/?徽章=最新)本应用程序演示了各种传感器和传感器融合的功能。陀螺仪,加速度计和罗盘的数据以不同的方式组合,结果显示为可以通过旋转设备旋转的立方体。阅读完整的文档[这里](http://sensor-fusion-demo.readthedocs.io)。该应用中的主要新颖之处在于虚拟传感器的融合:**改进的方位传感器1 **和**改进的方位传感器2 **将Android旋转矢量与虚拟陀螺仪传感器融合,以获得以前未知的稳定性的姿态估计和精度。除了这两个传感器,以下传感器可用于比较: - 改进的方向传感器1(Android旋转矢量和校准陀螺仪的传感器融合 - 不太稳定但更准确) - 改进的方向传感器2(Android旋转矢量的传感器融合和校准陀螺仪 - 更稳定但不太准确) - Android旋转矢量(加速度计+陀螺仪+罗盘)的卡尔曼滤波器融合 - 校准陀螺仪(加速度计+陀螺仪+指南针卡尔曼滤波器的独立结果) - 重力+指南针 - 加速度计+指南针本应用被开发用于展示为[我的论文“传感器融合为移动设备上强大的户外增强现实跟踪”开发的传感器融合方法](http://my-it.at/media/MasterThesis-Pacha.pdf)在[人类接口技术实验室新西兰](http://www.hitlabnz.org)。##构建和安装此项目是基于Gradle的Android Studio项目。如果您只想尝试一下,它也会在[Google Play商店](https://play.google.com/store/apps/details?id=org.hitlabnz.sensor_fusion_demo)中发布。##贡献1.分叉2.创建您的功能分支(`git checkout -b my-new-feature`)3.提交你的更改(`git commit -am'添加一些功能')4.推到分支(`git push origin my-new-feature`)5.根据MIT许可证创建新的Pull Request ##许可证。版权所有,2017年由[亚历山大·帕查](http://alexanderpacha.com)和[人力资源技术实验室新西兰](http://www.hitlabnz.org)。特此授权任何获得本软件和相关文档文件(“软件”)副本的人免费处理本软件,包括但不限于使用,复制,修改,合并的权利,发布,分发,再许可和/或出售本软件的副本,并允许提供本软件的人员遵守以下条件:上述版权声明和本许可声明应包含在所有副本中或软件的主要部分。该软件“按原样”提供,不附带任何明示或暗示的保证,包括但不限于适销性,适用于特定用途和不侵权的保证。在任何情况下,作者或版权所有者均不对任何索赔,损害或其他责任负责,无论是否因与本软件或本软件的使用或其他交易相关的任何合同,侵权行为或其他方面的行为软件。此应用程序还使用Android开放源代码项目的部分,它们是根据[Apache许可证版本2.0](http://www.apache.org/licenses/LICENSE-2.0)许可的。##数据隐私声明本应用程序不存储或传输任何数据。
东南大学计算机学院17-18新年晚会中场红包游戏环节
这是原来在 CodePlex 上一个重要的用于制作 WPF 和 Silverlight 的位图效果的重要的 HLSL(高阶着色器语言 High Level Shader Language)的开发工具。并可以运行直接查看效果和直接生成 C# VB 代码。 只是好像长期无人过问了。这么好的东西门口罗雀甚为可惜,因此将原来的库从 SVN 导入到 Git 以便给大家更好的访问平台。 此版本库是从 SVN 直接导入的未改动原库,因 SVN 的库使用习惯,其中存在大量的二进制文件导致下载数据量较大。因此准备在配置好代码后,将新开一个库作为纯源代码的库的起点。 在此,也欢迎有兴趣的同学一起参与汉化和继续的开发工作。 当前工作的目标: 托管化(已完成),不再需要额外的 C++ dll 做非托管引用。 中文化,争取连教学示例代码说明也一并完成,希望有双语好的同学加入(目前 fx 文件已实现支持中文注释说明和编译)。 通用化,在理解原作者设计思路的基础上,完成作者的设计目标并添加功能使其支持更加通用化的 DirectX3D11 的HLSL语言功能,最终成为一个 HLSL 的开发工具。
本项目为大三上学期(即2017年下半年)的PHP实训课程期末作品,我选择了做一个关于食品类的典型企业网站 1.项目有菜单料理、热销产品、新闻动态、招商加盟以及后台管理等功能 2.菜单料理和热销产品进行了分类管理,分为中式菜品、日式料理、各式甜点以及饮品饮料便于用户进行选择性浏览 3.热销产品根据用户对菜品的点击量进行的排序 4.菜单料理、热销产品、新闻动态没有采用之前做的上下分页操作,而是利用PHP对加载数量进行循环显示在本页面 5.招商加盟拥有邮件的接收以及发送功能,倘若用户希望加盟我们填写信息进行提交后,系统自动发送邮件告知已收到申请将会尽快和您联系 6.后台管理分为加盟列表、动态发布、产品发布以及管理和回收站等功能 7.加盟列表为储存的进行申请的加盟用户信息:用户名、联系电话、加盟地址、邮箱以及申请时间,在此基础上管理员对是否联系以及用户是否确认加盟进行确认,方便进行管理 8.动态发布以及产品发布功能一致,不同在于动态发布漏做了选择图片同时对图片进行显示的功能,另图片进行上传之后将自动更改文件名为数字形式,利于页面进行查找显示 9.管理模块主要对菜品的标题、访问量、最后更新的时间以及产品的状态(新闻动态或产品)进行显示,管理员可以对其进行彻底删除、修改以及放入回收站等操作 10.放入回收站的菜品在删除后其所有信息将会在回收站中保留,可以对其选择恢复,而彻底删除的菜品将不做保留直接删除 11.对菜品进行编辑修改操作过程中,图片的修改对当前图片与选择更改的图片进行了显示,其中的菜品点击次数以及发布时间为不可修改
传统图书馆的基础设备陈旧,图书的增添、编码等管理工作十分艰巨,工作 效率极其低下。智慧图书馆是指把智能技术运用到图书馆建设中而形成的一种智 能化建筑,是智能建筑与高度自动化 管理的图书馆的有机结合和创新。所以,基 于图书馆+物联网+云计算+智慧化设备的智慧图书馆一方面可以为馆员在智能 化和自主化的基础上实现更高效率的管理,同时还可以为广大读者提供快捷便利 的信息查询和阅读等综合服务。 智慧办公室项目地址:https://github.com/ECSLab/SmartOffice 智慧图书馆项目地址:https://github.com/ECSLab/SLibrary 《嵌入式系统结构与操作系统》课件地址:https://github.com/ECSLab/MyProject
天猫商城、京东商城、汽车之家、新浪微博、百度贴吧、知乎、(百度、新浪、腾讯)明星库、中关村在线、360手机助手、应用宝等大型网站爬虫
Licence GitHub Release 简介 Spring Boot API Project Seed 是一个基于Spring Boot & MyBatis的种子项目,用于快速构建中小型API、RESTful API项目,该种子项目已经有过多个真实项目的实践,稳定、简单、快速,使我们摆脱那些重复劳动,专注于业务代码的编写,减少加班。下面是一个简单的使用演示,看如何基于本项目在短短几十秒钟内实现一套简单的API,并运行提供服务。 特征&提供 最佳实践的项目结构、配置文件、精简的POM(查看项目结构图) 统一响应结果封装及生成工具 统一异常处理 简单的接口签名认证 常用基础方法抽象封装 使用Druid Spring Boot Starter 集成Druid数据库连接池与监控 使用FastJsonHttpMessageConverter,提高JSON序列化速度 集成MyBatis、通用Mapper插件、PageHelper分页插件,实现单表业务零SQL 提供代码生成器根据表名生成对应的Model、Mapper、MapperXML、Service、ServiceImpl、Controller等基础代码,其中Controller模板默认提供POST和RESTful两套,根据需求在CodeGenerator.genController(tableName)方法中自己选择,默认使用POST模板。代码模板可根据实际项目的需求来扩展,由于每个公司业务都不太一样,所以只提供了一些比较基础、通用的模板,主要是提供一个思路来减少重复代码的编写,我在实际项目的使用中,其实根据公司业务的抽象编写了大量的模板。另外,使用模板也有助于保持团队代码风格的统一 另有彩蛋,待你探索 快速开始 克隆项目 对test包内的代码生成器CodeGenerator进行配置,主要是JDBC,因为要根据表名来生成代码 如果只是想根据上面的演示来亲自试试的话可以使用test resources目录下的demo-user.sql,否则忽略该步 输入表名,运行CodeGenerator.main()方法,生成基础代码(可能需要刷新项目目录才会出来) 根据业务在基础代码上进行扩展 对开发环境配置文件application-dev.properties进行配置,启动项目,Have Fun! 开发建议 表名,建议使用小写,多个单词使用下划线拼接 Model内成员变量建议与表字段数量对应,如需扩展成员变量(比如连表查询)建议创建DTO,否则需在扩展的成员变量上加@Transient注解,详情见通用Mapper插件文档说明 建议业务失败直接使用ServiceException("message")抛出,由统一异常处理器来封装业务失败的响应结果,比如throw new ServiceException("该手机号已被注册"),会直接被封装为{"code":400,"message":"该手机号已被注册"}返回,无需自己处理,尽情抛出 需要工具类的话建议先从apache-commons-*和guava中找,实在没有再造轮子或引入类库,尽量精简项目 开发规范建议遵循阿里巴巴Java开发手册(最新版下载) 建议在公司内部使用ShowDoc、SpringFox-Swagger2 、RAP等开源项目来编写、管理API文档 技术选型&文档 Spring Boot(查看Spring Boot学习&使用指南) MyBatis(查看官方中文文档) MyBatisb通用Mapper插件(查看官方中文文档) MyBatis PageHelper分页插件(查看官方中文文档) Druid Spring Boot Starter(查看官方中文文档) Fastjson(查看官方中文文档) 其他略 License 无,纯粹开源分享,感谢大家 Star & Fork 的支持。
iToken 项目是基于 Spring Boot + Spring Cloud 的综合练习项目,旨在帮助大家更好的理解和掌握微服务架构**及相关知识点,为了能够让新人(尚未入行的同学们)了解企业开发中从立项到上线的大概流程,做了一个相对完整的设计,致使本人无法在有限时间内(因为要带新班)完成整个项目的研发,还请各位看官海涵。但最最重要的编程**与编程方法已经传达到位,剩下的就是希望各位同学将所学知识内化吸收、融会贯通做出真正属于自己的产品。
学习 Spring 的好去处自然是官方的 Guides ,我将其中大部分都亲自做了一遍,并定期更新。
简介:用Spring Boot框架大大简化了新Spring应用的初始搭建以及开发过程,在开发人员中越来越受到欢迎。微信小程序作为目前炙手可热的应用,很有可能在未来占据轻应用的市场。本项目的主要目的是将两者结合起来,一方面熟悉了spring boot后台开发,同时对微信小程序也有了一定的了解,本项目的操作是基于慕课网来实现的,如有不懂,请观看慕课网
shiro 框架没有用tomcat的session,而是重新实现了一套。所以系统一旦引入shiro后,采用传统的tomcat session共享机制是无效的,必须采用面向shiro 的session共享。 网上针对“shiro session共享”的文章比较多,但是大同小异,基本是基于redis实现的。但是该套实现,代码质量非常差(10几个java文件,都快吓晕),并且redis的连接没有基于spring,而是在java代码中硬编码,这几乎无法容忍。 为此,本人基于spring连接redis,吸取了他们文章的**,重新写了一套解决方案。代码量已精简到他们的1/3,并且考虑到了他们没有考虑到的问题,绝对是精华!
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.