- 高铁站违规撑伞识别误检率↓79%:陌讯多模态融合算法实战解析
2501_92722744
算法人工智能目标检测计算机视觉目标跟踪
原创声明本文为原创技术解析,核心技术参数与架构参考自《陌讯技术白皮书》,禁止未经授权的转载与改编。一、行业痛点:密集场景下的违规撑伞识别难题在高铁站、地铁站等交通枢纽,违规撑伞(如非雨天在站台、通道内持伞)可能引发客流拥堵、设备刮擦等安全隐患。然而,传统视觉识别方案面临三大核心挑战:环境干扰大:进出站口光线突变(正午强光/夜间弱光)导致伞面特征提取不稳定,某枢纽站点实测数据显示,阴雨天违规撑伞识别
- yolo 目标检测600类目标
大霸王龙
行业+领域+业务场景=定制YOLO目标检测人工智能
1.模型架构调整类别适配:将YOLO输出层的类别节点数调整为600(如YOLOv5的detect.yaml中修改nc=600),并更新类别名称映射表(classes.txt)。骨干网络优化:若使用YOLOv5/v8,可升级骨干网络(如C3模块深度)或替换为更高性能的主干(如EfficientNet、ResNet-101),以增强复杂场景的特征提取能力。多尺度检测头:保留或扩展YOLO的多尺度输出(
- 【Python高阶开发】1. Pandas工业级时序数据处理实战:从振动传感器数据到轴承故障预警系统
AI_DL_CODE
pythonpandas时序数据处理振动传感器工业数据清洗特征工程
摘要:在工业设备健康监测中,振动传感器数据是评估设备状态的核心依据,但高频噪声干扰、数据传输缺失、多设备时间戳错位等问题严重影响分析准确性。本文基于PythonPandas构建工业级时序数据处理流水线,提出"时间校正-缺失填充-噪声过滤-特征提取"四步清洗法,针对工业场景设计专用策略:短时缺失采用线性插值、长时缺失标记异常,振动数据结合移动平均与Z-score检测保留真实特征。通过时域(峰值、峭度
- 声纹识别系统(MFCC特征+DTW/SVM分类)
佩爷0107
支持向量机分类算法梅尔频率倒谱系数动态时间规整
摘要本毕业设计实现了一个完整的声纹识别系统,采用梅尔频率倒谱系数(MFCC)作为声学特征提取方法,结合动态时间规整(DTW)和支持向量机(SVM)两种分类算法进行说话人识别。系统包含语音预处理、特征提取、模型训练和识别测试等完整流程,并通过实验对比两种分类算法的性能。第一章绪论1.1研究背景与意义声纹识别(SpeakerRecognition)是生物特征识别技术的一种,通过分析语音信号中包含的说话
- 《零基础入门AI:从图像梯度到凸包特征检测(OpenCV图像特征提取)》
竹子_23
OpenCV入门opencv人工智能计算机视觉
一、图像梯度处理:理解像素变化的本质1.1图像梯度基础图像梯度是计算机视觉中的核心概念,它描述了图像中像素强度的变化情况:梯度方向:像素值变化最剧烈的方向(垂直于边缘)梯度幅度:像素值变化的强度(值越大表示边缘越明显)物理意义:就像地形图中的等高线,梯度大的地方相当于陡坡,梯度小的地方相当于平地1.2垂直边缘提取垂直边缘是图像中物体左右边界形成的线条:特征:水平方向上像素值发生突变应用场景:文档扫
- OpenCV基础02_图像预处理
白槿_cha
计算机视觉基础opencv人工智能计算机视觉笔记
图像预处理在计算机视觉和图像处理领域,图像预处理是一个重要的步骤,它能够提高后续处理(如特征提取、目标检测等)的准确性和效率。OpenCV提供了许多图像预处理的函数和方法,一些常见的图像预处理操作:图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学一、图像翻转cv2.flip是OpenCV库中的一个函数,用于翻转图像。翻转可以是水平翻转、垂
- 破解电梯场景难题:陌讯识别算法 mAP 达 98.7%
2501_92474790
算法计算机视觉目标检测智慧城市目标跟踪
开篇痛点:电梯间电动车识别的行业困局传统视觉算法在电梯间电动车检测场景中始终面临三重挑战:复杂光线环境下(如强光直射、夜间低照度)目标特征提取不稳定,电动车与婴儿车、行李箱等相似物体的误判率高达35%;电梯轿厢狭小空间导致目标畸变严重,小目标检测漏检率超过20%;普通模型在边缘设备部署时难以兼顾精度与速度,FPS普遍低于15帧[实测数据显示]。这些问题直接导致物业安防系统告警泛滥,真正的安全隐患却
- 器件仿真学习记录(一)
john
学习
训练工具总览什么是TCADTCAD和半导体产业工艺计算机辅助设计(TCAD)就是是使用电脑仿真来改进和优化半导体工艺技术和器件。TCAD仿真工具可以解出存在于半导体器件中的硅晶圆或者layersystem中的基础的物理偏微分方程,例如离散几何的扩散和输运方程。这些密集的物理拟合使得TCAD仿真有能够预测的准确性。因此,使用TCAD计算机仿真来代替在改进和对新的半导体器件或工艺进行特征提取时需要对晶
- 强背光干扰拒识率↓82%!陌讯多模态融合算法在智慧安防的实战优化
摘要针对边缘计算优化在复杂光照场景的鲁棒性挑战,本文解析陌讯视觉算法的多模态融合架构。实测显示,在背光、遮挡等极端条件下较基线模型误报率降低82%,部署时延C(特征提取分支)B[红外输入]-->CC-->D{自适应融合模块}D-->E[动态决策引擎]E-->F[置信度分级输出]2.2核心算法实现动态特征聚合公式:Ffusion=∑i=1Nαi⋅ϕ(Vrgb⊕Tir)其中αi为光照强度自适应的权重系
- Python 实现基于SDAE堆叠去噪自编码器的数据分类预测的详细项目实例(含模型描述及示例代码)
nantangyuxi
Pythonpython分类开发语言人工智能大数据深度学习机器学习
目录Python实现基于SDAE堆叠去噪自编码器的数据分类预测的详细项目实例...1项目背景介绍...2项目目标与意义...2目标...2意义...3项目挑战及解决方案...3噪声数据处理...3特征提取与降维...3模型过拟合问题...4训练时间与计算资源...4数据不平衡问题...4项目特点与创新...4去噪自编码器的堆叠应用...4多层次特征学习...4噪声抑制机制...4模型自动优化...
- AI人工智能加持,人脸识别精准度飙升
AI大模型应用工坊
人工智能ai
AI人工智能加持,人脸识别精准度飙升:从模糊到清晰的技术革命关键词人脸识别、深度学习、神经网络、精准度优化、计算机视觉、特征提取、面部识别算法摘要想象一下,在一个拥挤的火车站,系统能在瞬间从数千人中准确识别出需要关注的个体;或者你的手机仅通过一瞥就能认出你,甚至在你戴着口罩时也能做到。这不是科幻电影的场景,而是当下AI驱动的人脸识别技术的真实能力。本文将深入探讨人工智能如何彻底改变人脸识别领域,从
- opencv-day2-图像预处理1
谢眠
OpenCVopencv计算机视觉
图像预处理在计算机视觉和图像处理领域,图像预处理能够提高后续处理(如特征提取、目标检测等)的准确性和效率。常见的图像预处理操作:图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学图像翻转cv2.flip是OpenCV库中的一个函数,用于翻转图像。翻转可以是水平翻转、垂直翻转或同时水平和垂直翻转。这个函数接受两个参数:要翻转的图像和一个指定翻
- 基于孪生网络 (Siamese Network) 的人脸识别系统
DeniuHe
Pytorchpytorch
上一个帖子记录了基于普通CNN的人脸识别系统。但是,测试准确率实在太低了只有30%。这次使用孪生网络(SiameseNet)进行实现。代码实现使用了VGG19预训练模型作为特征提取器,通过对比学习来判断两张人脸图像是否属于同一人。整个代码分为数据准备、模型构建、训练和测试四个主要部分。importmatplotlib.pyplotaspltimporttorchfromtorchimportnnf
- 工业缺陷检测的计算机视觉方法总结
思绪漂移
计算机视觉人工智能缺陷检测
工业缺陷检测的计算机视觉方法总结传统方法特征提取方式:颜色:基于HSV/RGB空间分析,如颜色直方图、颜色矩等纹理:采用LBP、Haar、Gabor滤波器等算子提取纹理模式形状:基于Hu矩、Zernike矩等数学描述符刻画几何特性尺寸:通过连通域分析计算物体像素面积、周长等参数典型处理流程:手动设计特征提取算法建立规则分类器(如SVM、决策树)基于阈值分割目标区域深度学习方法核心特点:端到端学习:
- 基于深度学习的图像分类:使用Inception-v3实现高效分类
Blossom.118
机器学习与人工智能深度学习分类人工智能机器学习数据挖掘计算机视觉python
前言图像分类是计算机视觉领域中的一个基础任务,其目标是将输入的图像分配到预定义的类别中。近年来,深度学习技术,尤其是卷积神经网络(CNN),在图像分类任务中取得了显著的进展。Inception-v3是一种高效的深度学习架构,通过引入多尺度特征提取和模块化设计,显著提高了模型的性能和效率。本文将详细介绍如何使用Inception-v3实现高效的图像分类,从理论基础到代码实现,带你一步步掌握基于Inc
- 探秘VCSI:一款创新的视觉内容识别工具
探秘VCSI:一款创新的视觉内容识别工具是一个基于深度学习的开源项目,其主要目标是帮助开发者和数据科学家进行高效、精确的视觉内容识别。在这个数字时代,我们每天都被大量的图像和视频所包围,VCSI提供了强大的工具,使得机器能够理解这些媒体内容,从而打开了一扇全新的应用之门。技术解析VCSI基于现代神经网络架构,特别是卷积神经网络(CNNs),用于图像特征提取。它利用预训练模型,如VGG16和ResN
- 阿里云内容审核之图片审核 spring boot 项目
大佐不会说日语~
阿里云云计算安全springboot
内容审核-阿里云视觉智能开放平台阿里云的图片审核服务是一种高效的内容安全解决方案,用于自动检测和过滤图片中的不适当内容。以下是关于阿里云图片审核服务:审核方式:阿里云图片审核服务采用两种主要方式来检测图片内容:MD5比对:通过比较上传图片的MD5值与素材库中的MD5值来获取审核结果。卷积神经网络(CNN)技术:使用CNN技术进行特征提取、各部分特征汇总,并通过分类器预测识别来进行审核。内容安全服务
- OpenCV图像预处理
图像预处理在计算机视觉和图像处理领域,图像预处理是一个重要的步骤,它能够提高后续处理(如特征提取、目标检测等)的准确性和效率。OpenCV提供了许多图像预处理的函数和方法,以下是一些常见的图像预处理操作:图像色彩空间转换图像大小调整图像仿射变换图像翻转图像裁剪图像二值化处理图像去噪边缘检测图像平滑处理图像形态学图像翻转cv2.flip是OpenCV库中的一个函数,用于翻转图像。翻转可以是水平翻转、
- 第3.3章 一文带你入门PCL点云库及在机器人SLAM中的代码实战
行知SLAM
机器人工程师带你入门SLAM人工智能c++算法机器人开发语言
目录一、PCL库:开启3D感知大门的钥匙二、PCL库基础入门2.1什么是PCL库2.2PCL源码头文件分类概览总结2.3安装PCL库2.4基础数据结构与概念三、PCL库在SLAM中的核心应用3.1点云获取与预处理3.2点云特征提取与描述3.3点云配准3.4点云分割与目标识别四、进阶技巧与优化策略4.1提高算法效率的方法4.2解决实际问题的经验4.3与其他技术的融合五、案例分析:PCL库实战应用六、
- C++ PCL点云处理实战专栏
迅卓科技
C++PCL点云处理实战专栏c++开发语言
本次技术分享围绕C++与PCL库在工业点云处理中的工程化应用展开,结合电力、建筑、隧道等垂直领域的实际技术需求,分阶段解析点云处理的核心算法、开发实践与系统落地路径。内容涵盖:算法原理剖析:深入解析PCL库核心机制(如点云滤波、特征提取、曲面重建等),结合数学原理与代码实现逻辑,建立工业级点云处理的算法认知体系。动态库开发实践:探讨工业场景下点云处理工具链的工程化封装(如点云分割、三维建模模块),
- 【1】计算机视觉方法(更新)
annaPresident
计算机视觉计算机视觉人工智能
1计算机是视觉的定义和任务计算机视觉(ComputerVision,CV)是人工智能领域的分支,旨在通过算法让计算机从图像或视频中提取信息、理解内容并做出决策。其核心任务是模拟人类视觉系统,实现场景理解、目标检测、图像分类等功能。2传统CV解决问题的步骤和方法步骤对图片、视频进行预处理,增强对比度,灰度化,变形等特征提取,边缘、角点、纹理等分割,通过阈值进行分割,分别处理形态学处理,通过膨胀、腐蚀
- MATLAB水果分级系统水果识别
清风明月来几时
图像算法处理matlab开发语言
MATLAB草莓识别系统是一个基于MATLAB的图像处理系统,用于识别和分类草莓图像。该系统可以帮助农业领域的研究人员和农民快速准确地识别草莓品种和成熟度,从而帮助决策种植、采摘和销售的工作。系统的主要功能包括:1.图像预处理:对草莓图像进行去噪、增强和标准化等预处理工作,以提高后续的图像分析和识别效果。2.特征提取:从预处理后的图像中提取代表草莓特征的信息,例如颜色、形状、纹理等。3.分类器训练
- Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法(BO)优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例(含模型描述及示例代
nantangyuxi
Python含模型描述及示例代码算法神经网络python人工智能大数据深度学习机器学习
目录Python实现基于BO-CNN-LSTM-Mutilhead-Attention贝叶斯优化算法(BO)优化卷积长短期记忆神经网络融合多头注意力机制进行多特征分类预测的详细项目实例...2项目背景介绍...2项目目标与意义...3高效的模型优化...3深度特征提取...3序列数据的时序建模...3
- YOLO11优化:卷积魔改创新 | AAAI 2025 | 一种新颖的风车形卷积(PConv)符合微弱小目标的像素高斯空间分布,增强特征提取,显著增加接受野
芯作者
D2:YOLO人工智能YOLO深度学习人工智能计算机视觉
针对微弱小目标检测的世界性难题,AAAI2025最新研究提出革命性的风车形卷积(PConv),显著提升特征提取能力与感受野,让小目标无所遁形!引言:小目标检测的挑战与突破在计算机视觉领域,小目标检测一直是极具挑战性的任务。传统卷积神经网络在处理微小物体时往往表现不佳,主要原因有二:有限的特征表达能力和不足的感受野范围。当目标尺寸小于32×32像素时,检测精度会急剧下降。近期在AAAI2025上发表
- 秩序中的混沌与混沌中的秩序:旋转数组的搜索艺术与变位词组的模式密码
司铭鸿
算法前端数据结构矩阵开发语言
在算法的世界里,秩序与混沌的边界往往比想象中更模糊。当有序数组被旋转成"数字龙卷风",当字母组合在字符串中跳起"变位之舞",传统算法将遭遇前所未有的挑战。今日,我们将深入两个经典问题:搜索旋转数组(SearchinRotatedArray)与变位词组(GroupAnagrams)。它们一个在扭曲的有序结构中寻找目标索引,一个在字母的混沌排列中识别隐藏模式。二者在"数据重构"与"特征提取"的哲学层面
- 21. 反向传播、优化器、模型的训练
啥都想学的大学生
小土堆--Pytorch学习pytorch
反向传播、优化器、模型的训练1.什么是反向传播在我们从输入层对数据进行一系列的操作,包括特征提取、函数激活、维度变换等,从输入层到输出层的各种变换可以称为前向传播。前向传播的用处是为了对输入数据转换为我们需要的回归值或者标签类别值,但是这种输出结果往往是有偏差的,这种偏差是通过误差函数进行计算的。当我们构建了一个完整的前向传播结构后,就需要考虑如何使用误差来优化我们的网络结构。常见的优化算法包括梯
- YOLO目标检测模型优化技术全景解析
YOLO目标检测模型优化技术全景解析作为实时目标检测领域的标杆算法,YOLO系列模型通过持续的技术革新不断提升性能边界。本文将从模型架构设计、数据优化、注意力机制融合、后处理策略及训练方法等维度,系统剖析YOLO优化领域的关键技术与最新进展。一、模型架构优化:突破性能瓶颈的核心路径多尺度检测层增强针对小目标检测难题,主流方案通过增加浅层检测通道优化特征提取。例如在YOLOv5中引入160×160特
- 深度学习在环境感知中的应用:案例与代码实现
让机器学会“看”世界:深度学习如何赋能环境感知?关键词深度学习|环境感知|计算机视觉|传感器融合|语义分割|目标检测|自动驾驶摘要环境感知是机器与外界互动的“眼睛和耳朵”——从自动驾驶汽车识别行人,到智能机器人避开障碍物,再到城市监控系统检测异常,所有智能系统都需要先“理解”环境,才能做出决策。传统环境感知方法依赖手工特征提取,难以应对复杂场景;而深度学习通过数据驱动的方式,让机器从大量数据中自动
- 自编码器表征学习:重构误差与隐空间拓扑结构的深度解析
码字的字节
机器学习自编码器重构误差隐空间
自编码器基础与工作原理自编码器(Autoencoder)作为深度学习领域的重要无监督学习模型,其核心思想是通过模拟人类认知过程中的"压缩-解压"机制实现数据的表征学习。这种由GeoffreyHinton团队在2006年复兴的神经网络结构,本质上是一个试图通过编码-解码过程来复制其输入的系统,却在实现这一看似简单目标的过程中,意外地获得了强大的特征提取能力。基本架构与工作流程典型自编码器由对称的两部
- 在NLP深层语义分析中,深度学习和机器学习的区别与联系
在自然语言处理(NLP)的深层语义分析任务中,深度学习与机器学习的区别和联系主要体现在以下方面:一、核心区别特征提取方式机器学习:依赖人工设计特征(如词频、句法规则、TF-IDF等),需要领域专家对文本进行结构化处理。例如,传统情感分析需人工定义“情感词库”或通过词性标注提取关键成分。深度学习:通过神经网络自动学习多层次特征。例如,BERT等模型可从原始文本中捕获词向量、句法关系甚至篇章级语义,无
- Nginx负载均衡
510888780
nginx应用服务器
Nginx负载均衡一些基础知识:
nginx 的 upstream目前支持 4 种方式的分配
1)、轮询(默认)
每个请求按时间顺序逐一分配到不同的后端服务器,如果后端服务器down掉,能自动剔除。
2)、weight
指定轮询几率,weight和访问比率成正比
- RedHat 6.4 安装 rabbitmq
bylijinnan
erlangrabbitmqredhat
在 linux 下安装软件就是折腾,首先是测试机不能上外网要找运维开通,开通后发现测试机的 yum 不能使用于是又要配置 yum 源,最后安装 rabbitmq 时也尝试了两种方法最后才安装成功
机器版本:
[root@redhat1 rabbitmq]# lsb_release
LSB Version: :base-4.0-amd64:base-4.0-noarch:core
- FilenameUtils工具类
eksliang
FilenameUtilscommon-io
转载请出自出处:http://eksliang.iteye.com/blog/2217081 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- xml文件解析SAX
不懂事的小屁孩
xml
xml文件解析:xml文件解析有四种方式,
1.DOM生成和解析XML文档(SAX是基于事件流的解析)
2.SAX生成和解析XML文档(基于XML文档树结构的解析)
3.DOM4J生成和解析XML文档
4.JDOM生成和解析XML
本文章用第一种方法进行解析,使用android常用的DefaultHandler
import org.xml.sax.Attributes;
- 通过定时任务执行mysql的定期删除和新建分区,此处是按日分区
酷的飞上天空
mysql
使用python脚本作为命令脚本,linux的定时任务来每天定时执行
#!/usr/bin/python
# -*- coding: utf8 -*-
import pymysql
import datetime
import calendar
#要分区的表
table_name = 'my_table'
#连接数据库的信息
host,user,passwd,db =
- 如何搭建数据湖架构?听听专家的意见
蓝儿唯美
架构
Edo Interactive在几年前遇到一个大问题:公司使用交易数据来帮助零售商和餐馆进行个性化促销,但其数据仓库没有足够时间去处理所有的信用卡和借记卡交易数据
“我们要花费27小时来处理每日的数据量,”Edo主管基础设施和信息系统的高级副总裁Tim Garnto说道:“所以在2013年,我们放弃了现有的基于PostgreSQL的关系型数据库系统,使用了Hadoop集群作为公司的数
- spring学习——控制反转与依赖注入
a-john
spring
控制反转(Inversion of Control,英文缩写为IoC)是一个重要的面向对象编程的法则来削减计算机程序的耦合问题,也是轻量级的Spring框架的核心。 控制反转一般分为两种类型,依赖注入(Dependency Injection,简称DI)和依赖查找(Dependency Lookup)。依赖注入应用比较广泛。
- 用spool+unixshell生成文本文件的方法
aijuans
xshell
例如我们把scott.dept表生成文本文件的语句写成dept.sql,内容如下:
set pages 50000;
set lines 200;
set trims on;
set heading off;
spool /oracle_backup/log/test/dept.lst;
select deptno||','||dname||','||loc
- 1、基础--名词解析(OOA/OOD/OOP)
asia007
学习基础知识
OOA:Object-Oriented Analysis(面向对象分析方法)
是在一个系统的开发过程中进行了系统业务调查以后,按照面向对象的思想来分析问题。OOA与结构化分析有较大的区别。OOA所强调的是在系统调查资料的基础上,针对OO方法所需要的素材进行的归类分析和整理,而不是对管理业务现状和方法的分析。
OOA(面向对象的分析)模型由5个层次(主题层、对象类层、结构层、属性层和服务层)
- 浅谈java转成json编码格式技术
百合不是茶
json编码java转成json编码
json编码;是一个轻量级的数据存储和传输的语言
在java中需要引入json相关的包,引包方式在工程的lib下就可以了
JSON与JAVA数据的转换(JSON 即 JavaScript Object Natation,它是一种轻量级的数据交换格式,非
常适合于服务器与 JavaScript 之间的数据的交
- web.xml之Spring配置(基于Spring+Struts+Ibatis)
bijian1013
javaweb.xmlSSIspring配置
指定Spring配置文件位置
<context-param>
<param-name>contextConfigLocation</param-name>
<param-value>
/WEB-INF/spring-dao-bean.xml,/WEB-INF/spring-resources.xml,
/WEB-INF/
- Installing SonarQube(Fail to download libraries from server)
sunjing
InstallSonar
1. Download and unzip the SonarQube distribution
2. Starting the Web Server
The default port is "9000" and the context path is "/". These values can be changed in &l
- 【MongoDB学习笔记十一】Mongo副本集基本的增删查
bit1129
mongodb
一、创建复本集
假设mongod,mongo已经配置在系统路径变量上,启动三个命令行窗口,分别执行如下命令:
mongod --port 27017 --dbpath data1 --replSet rs0
mongod --port 27018 --dbpath data2 --replSet rs0
mongod --port 27019 -
- Anychart图表系列二之执行Flash和HTML5渲染
白糖_
Flash
今天介绍Anychart的Flash和HTML5渲染功能
HTML5
Anychart从6.0第一个版本起,已经逐渐开始支持各种图的HTML5渲染效果了,也就是说即使你没有安装Flash插件,只要浏览器支持HTML5,也能看到Anychart的图形(不过这些是需要做一些配置的)。
这里要提醒下大家,Anychart6.0版本对HTML5的支持还不算很成熟,目前还处于
- Laravel版本更新异常4.2.8-> 4.2.9 Declaration of ... CompilerEngine ... should be compa
bozch
laravel
昨天在为了把laravel升级到最新的版本,突然之间就出现了如下错误:
ErrorException thrown with message "Declaration of Illuminate\View\Engines\CompilerEngine::handleViewException() should be compatible with Illuminate\View\Eng
- 编程之美-NIM游戏分析-石头总数为奇数时如何保证先动手者必胜
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class Nim {
/**编程之美 NIM游戏分析
问题:
有N块石头和两个玩家A和B,玩家A先将石头随机分成若干堆,然后按照BABA...的顺序不断轮流取石头,
能将剩下的石头一次取光的玩家获胜,每次取石头时,每个玩家只能从若干堆石头中任选一堆,
- lunce创建索引及简单查询
chengxuyuancsdn
查询创建索引lunce
import java.io.File;
import java.io.IOException;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.standard.StandardAnalyzer;
import org.apache.lucene.document.Docume
- [IT与投资]坚持独立自主的研究核心技术
comsci
it
和别人合作开发某项产品....如果互相之间的技术水平不同,那么这种合作很难进行,一般都会成为强者控制弱者的方法和手段.....
所以弱者,在遇到技术难题的时候,最好不要一开始就去寻求强者的帮助,因为在我们这颗星球上,生物都有一种控制其
- flashback transaction闪回事务查询
daizj
oraclesql闪回事务
闪回事务查询有别于闪回查询的特点有以下3个:
(1)其正常工作不但需要利用撤销数据,还需要事先启用最小补充日志。
(2)返回的结果不是以前的“旧”数据,而是能够将当前数据修改为以前的样子的撤销SQL(Undo SQL)语句。
(3)集中地在名为flashback_transaction_query表上查询,而不是在各个表上通过“as of”或“vers
- Java I/O之FilenameFilter类列举出指定路径下某个扩展名的文件
游其是你
FilenameFilter
这是一个FilenameFilter类用法的例子,实现的列举出“c:\\folder“路径下所有以“.jpg”扩展名的文件。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
- C语言学习五函数,函数的前置声明以及如何在软件开发中合理的设计函数来解决实际问题
dcj3sjt126com
c
# include <stdio.h>
int f(void) //括号中的void表示该函数不能接受数据,int表示返回的类型为int类型
{
return 10; //向主调函数返回10
}
void g(void) //函数名前面的void表示该函数没有返回值
{
//return 10; //error 与第8行行首的void相矛盾
}
in
- 今天在测试环境使用yum安装,遇到一个问题: Error: Cannot retrieve metalink for repository: epel. Pl
dcj3sjt126com
centos
今天在测试环境使用yum安装,遇到一个问题:
Error: Cannot retrieve metalink for repository: epel. Please verify its path and try again
处理很简单,修改文件“/etc/yum.repos.d/epel.repo”, 将baseurl的注释取消, mirrorlist注释掉。即可。
&n
- 单例模式
shuizhaosi888
单例模式
单例模式 懒汉式
public class RunMain {
/**
* 私有构造
*/
private RunMain() {
}
/**
* 内部类,用于占位,只有
*/
private static class SingletonRunMain {
priv
- Spring Security(09)——Filter
234390216
Spring Security
Filter
目录
1.1 Filter顺序
1.2 添加Filter到FilterChain
1.3 DelegatingFilterProxy
1.4 FilterChainProxy
1.5
- 公司项目NODEJS实践0.1
逐行分析JS源代码
mongodbnginxubuntunodejs
一、前言
前端如何独立用nodeJs实现一个简单的注册、登录功能,是不是只用nodejs+sql就可以了?其实是可以实现,但离实际应用还有距离,那要怎么做才是实际可用的。
网上有很多nod
- java.lang.Math
liuhaibo_ljf
javaMathlang
System.out.println(Math.PI);
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1.2));
System.out.println(Math.abs(1));
System.out.println(Math.abs(111111111));
System.out.println(Mat
- linux下时间同步
nonobaba
ntp
今天在linux下做hbase集群的时候,发现hmaster启动成功了,但是用hbase命令进入shell的时候报了一个错误 PleaseHoldException: Master is initializing,查看了日志,大致意思是说master和slave时间不同步,没办法,只好找一种手动同步一下,后来发现一共部署了10来台机器,手动同步偏差又比较大,所以还是从网上找现成的解决方
- ZooKeeper3.4.6的集群部署
roadrunners
zookeeper集群部署
ZooKeeper是Apache的一个开源项目,在分布式服务中应用比较广泛。它主要用来解决分布式应用中经常遇到的一些数据管理问题,如:统一命名服务、状态同步、集群管理、配置文件管理、同步锁、队列等。这里主要讲集群中ZooKeeper的部署。
1、准备工作
我们准备3台机器做ZooKeeper集群,分别在3台机器上创建ZooKeeper需要的目录。
数据存储目录
- Java高效读取大文件
tomcat_oracle
java
读取文件行的标准方式是在内存中读取,Guava 和Apache Commons IO都提供了如下所示快速读取文件行的方法: Files.readLines(new File(path), Charsets.UTF_8); FileUtils.readLines(new File(path)); 这种方法带来的问题是文件的所有行都被存放在内存中,当文件足够大时很快就会导致
- 微信支付api返回的xml转换为Map的方法
xu3508620
xmlmap微信api
举例如下:
<xml>
<return_code><![CDATA[SUCCESS]]></return_code>
<return_msg><![CDATA[OK]]></return_msg>
<appid><