- [数据集][图像分类]河道污染分类数据集1923张4类别
FL1623863129
数据集分类数据挖掘人工智能
数据集类型:图像分类用,不可用于目标检测无标注文件数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片图片数量(jpg文件个数):1922分类类别数:4类别名称:["lianghao","qingwei","yanzhong","zhongdu"]每个类别图片数:lianghao图片数:435qingwei图片数:423yanzhong图片数:577zhongdu图片数:487重要说明
- InSAR技术大揭秘:数据处理、地形重建、形变监测一网打尽!
AIzmjl
生态insar大地测量sar卫星时间序列
合成孔径雷达干涉测量(InterferometricSyntheticApertureRadar,InSAR)技术作为一种新兴的主动式微波遥感技术,凭借其可以穿过大气层,全天时、全天候获取监测目标的形变信息等特性,已在地表形变监测、DEM生成、滑坡、火山活动、冰川运动、人工建筑物形变信息提取等多种领域展开了成功应用。InSAR作为一种新兴的空间大地测量技术,克服了传统大地测量技术需要人工野外布点、
- GEE在灾害预警中的遥感云大数据应用及GPT模型辅助分析
AIzmjl
GPT生态遥感大数据gptgee灾害预警水体湿地遥感
随着遥感技术的快速发展,云大数据在灾害、水体与湿地领域的应用日益广泛。通过遥感云大数据,我们能够实时获取灾害发生地的影像信息,为灾害预警、应急响应提供有力支持。同时,在水体与湿地监测方面,遥感云大数据也发挥着重要作用,帮助我们了解水体的分布、变化以及湿地的生态状况。近年来,GPT模型在自然语言处理领域取得了显著成果,其强大的文本生成和理解能力为遥感云大数据的应用提供了新的可能。通过将GPT模型与遥
- 线性代数在卷积神经网络(CNN)中的体现
科学的N次方
人工智能线性代数cnn人工智能
案例:深度学习中的卷积神经网络(CNN)在图像识别领域,卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一个广泛应用深度学习模型,它在人脸识别、物体识别、医学图像分析等方面取得了显著成效。CNN中的核心操作——卷积,就是一个直接体现线性代数应用的例子。假设我们正在训练一个用于识别猫和狗的图像分类器,原始输入是一幅RGB彩色图片,可以将其视为一个高度、宽度和通道数(R
- MATLAB图像拼接算法及实现
程序员小溪
算法matlab计算机视觉MATLAB人工智能
图像拼接算法及实现(一)论文关键词:图像拼接图像配准图像融合全景图论文摘要:图像拼接(imagemosaic)技术是将一组相互间重叠部分的图像序列进行空间匹配对准,经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。图像拼接在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。一般来说,图像拼接的过程由图像获取,图像配准,图像
- 深入了解OpenCVSharp中常见的图像处理功能
仰望大佬007
图像处理opencv计算机视觉c#
深入了解OpenCVSharp中常见的图像处理功能前言1.图像加载与保存2.图像基本操作3.图像滤波4.边缘检测5.图像分割6.特征检测与描述子7.目标识别与跟踪8.图像融合与拼接9.形状匹配与模板匹配10.颜色空间转换与直方图11.图像转换与绘制12.图像分类与机器学习13.高级图像处理算法14.GPU加速与并行计算前言OpenCVSharp是C#语言中用于图像处理和计算机视觉的开源库,它提供了
- [数据集][图像分类]鲜花分类数据集5735张102类别
FL1623863129
数据集计算机视觉
数据集类型:图像分类用,不可用于目标检测无标注文件数据集格式:仅仅包含jpg图片,每个类别文件夹下面存放着对应图片图片数量(jpg文件个数):5735分类类别数:102类别名称:["0","1","2","3","4","5","6","7","8","9","10","11","12","13","14","15","16","17","18","19","20","21","22","23",
- 挑战杯 基于机器视觉的图像拼接算法
laafeer
python
前言图像拼接在实际的应用场景很广,比如无人机航拍,遥感图像等等,图像拼接是进一步做图像理解基础步骤,拼接效果的好坏直接影响接下来的工作,所以一个好的图像拼接算法非常重要。再举一个身边的例子吧,你用你的手机对某一场景拍照,但是你没有办法一次将所有你要拍的景物全部拍下来,所以你对该场景从左往右依次拍了好几张图,来把你要拍的所有景物记录下来。那么我们能不能把这些图像拼接成一个大图呢?这是一个较为新颖的竞
- 【深入了解PyTorch】PyTorch实战项目示例:深入探索图像分类、目标检测和情感分析
prince_zxill
Python实战教程人工智能与机器学习教程pytorch分类目标检测
【深入了解PyTorch】PyTorch实战项目示例:深入探索图像分类、目标检测和情感分析PyTorch实战项目示例:深入探索图像分类、目标检测和情感分析项目一:图像分类数据集准备构建模型训练模型模型评估和预测项目二:目标检测数据集准备构建模型训练模型模型评估和预测项目三:情感分析数据集准备构建模型训练模型模型评估和预测
- 无感
慢_简
万般小溪汇入河汉江淮澄江如练犹如一道清流时而温柔时而沁人心脾奔涛炙浪遥感如画之景,竟再无平静之意欲与江河势比美,也能会临绝顶攬日月高比天公能言矮,壮似山川不可攀举手平星辰,身动定河川心有万千阔,一叶一世界图片发自App
- GEE案例——如何sentinel-2影像利用NDWI归一化水体指数进行长时序水域分析(2015-2023年滇池为例)
此星光明
GEE案例分析前端服务器时序sentinel影像JavaScript面积
简介Sentinel-2是一颗遥感卫星,其提供的高分辨率数据可以广泛应用于环境监测、土地利用和水资源管理等领域。其中,利用归一化水体指数(NormalizedDifferenceWaterIndex,NDWI)来进行长时序水域分析是一种常见的方法。本文将介绍NDWI的定义和计算方法,并结合Sentinel-2影像的使用,详细说明如何进行长时序水域分析。首先,我们来看一下NDWI的定义和计算方法。N
- 深度学习图像分类中,要求待分类图像中只有一类物体吗?如果这个图像中有两类物体,那么这个图像被分为哪一类?
神笔馬良
深度学习分类人工智能
问题描述:深度学习图像分类中,要求待分类图像中只有一类物体吗?如果这个图像中有两类物体,那么这个图像被分为哪一类?问题解答:在深度学习图像分类任务中,通常假设每张图像只包含一类物体。这是因为图像分类模型是针对特定类别的,模型训练的目标是学习如何将输入图像正确分类到这些预定义的类别中。因此,如果一张图像中包含多个类别的物体,那么根据通常的假设,该图像将被分为其中的主要类别或最突出的类别。具体来说,如
- 中科星图(案例)——NDVI植被指数的计算和图例添加以及median和mosaic的影像拼接
此星光明
中科星图前端javascriptgvendvi植被指数云计算云平台
简介在GVE云平台上实现NDVI(NormalizedDifferenceVegetationIndex)植被指数的计算和图例添加,可以通过以下步骤进行:1.数据获取和准备首先,需要获取卫星影像数据,可以选择公开的遥感数据源,如Landsat、MODIS等。数据获取后,需要对数据进行预处理,包括数据格式转换、投影变换等,以确保数据的一致性和可用性。2.NDVI计算NDVI是通过计算红外波段和可见光
- 【深度学习】S2 数学基础 P6 概率论
脚踏实地的大梦想家
#深度学习深度学习概率论
目录基本概率论概率论公理随机变量多个随机变量联合概率条件概率贝叶斯定理求和法则独立性期望与方差小结基本概率论机器学习本质上,就是做出预测。而概率论提供了一种量化和表达不确定性水平的方法,可以帮助我们量化对某个结果的确定性程度。在一个简单的图像分类任务中;如果我们非常确定图像中的对象是一只猫,那么我们可以说标签为“猫”的概率是1,即P(y=“猫”)=1P(y=“猫”)=1P(y=“猫”)=1;如果我
- 【MATLAB】赫尔默特方差分量估计算法
Lwcah
算法
微信公众号由于改变了推送规则,为了每次新的推送可以在第一时间出现在您的订阅列表中,记得将本公众号设为星标或置顶哦~有意向获取代码,请转文末观看代码获取方式~1文章简介文章DOI:10.1109/TGRS.2023.3265508链接:https://ieeexplore.ieee.org/document/10097458/keywords#keywords该篇文章讲的是一种遥感反演雪深的新方法,
- 深度学习(16)--基于经典网络架构resnet训练图像分类模型
GodFishhh
深度学习深度学习python人工智能pytorch
目录一.项目介绍二.项目流程详解2.1.引入所需的工具包2.2.数据读取和预处理2.3.加载resnet152模型2.4.初始化模型2.5.设置需要更新的参数2.6.训练模块设置2.7.再次训练所有层2.8.测试网络效果三.完整代码一.项目介绍使用PyTorch工具包调用经典网络架构resnet训练图像分类模型,用于分辨不同类型的花二.项目流程详解2.1.引入所需的工具包importosimpor
- 【AIGC】Stable Diffusion应用领域
AIGCExplore
AIGCAIGCstablediffusion人工智能
StableDiffusion是一个基于OpenAI的Diffusion模型的扩展版本,主要用于图像生成和处理任务。它并不是一个图像分类模型,而是一个生成式模型,可以生成高质量的图像。以下是StableDiffusion模型的主要功能和应用领域:图像生成:StableDiffusion可以生成各种类型的图像,包括人物肖像、风景、动物、静物等。它能够生成高分辨率、真实感和多样性的图像,具有良好的生成
- 英文论文(sci)解读复现【NO.18】基于DS-YOLOv8的目标检测方法用于遥感图像
人工智能算法研究院
英文论文解读复现目标跟踪人工智能机器学习
此前出了目标检测算法改进专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读发表高水平学术期刊中的SCI论文,并对相应的SCI期刊进行介绍,帮助大家解答疑惑,助力科研论文投稿。解读的系列文章,本人会进行创新点代码复现,有需要的朋友可关注私信我获取。一、摘要改进的YOLOv8模型(DCN_C2f+SC_
- 中科星图GVE(案例)——对影像数据进行重投影计算
此星光明
中科星图javascriptgve云计算投影重投影影像云平台
简介本教程主要的目的是在中科星图gve云平台实现遥感影像的重投影计算,我们这里将EPSG:32650坐标系转化为epsg:3578进行重投影。云平台是一种基于云计算技术的资源共享和服务提供平台,通过云平台,用户可以将计算、存储、网络等资源放在云上进行管理和利用。在云平台上进行重投影计算,可以方便地利用云计算资源来处理大规模的数据,提高计算效率和灵活性。重投影是指将地理坐标系的图像或数据转换为平面坐
- Google Earth Engine(GEE)简单介绍及注册
生态遥感监测笔记
大数据编程语言人工智能javapython
GoogleEarthEngine(GEE)是由谷歌、卡内基梅隆大学、美国地质调查局(USGS)共同开发的用以处理卫星遥感影像数据和其他地球观测数据的云端运算平台。GEE平台融合了谷歌服务器提供的强大计算能力或者以及大范围的云计算资源,平台数据集提供了对地观测卫星大量完整的影像数据如Sentinel,MODIS,Landsat等,也提供了植被、地表温度和社会经济等数据集,并能做到数据库每天更新。G
- GEE土地分类——如何利用多年的ESRI_Global-LULC_10m将研究区的指定区域重分类分为两类数据(将多类土地分类转化为草地和非草地区域)
此星光明
gee土地分类专栏人工智能javascriptgee土地分类lulc分类重分类
简介本教程主要的目的是利用自己上传的多年土地分类应先过来实现指定区域的土地分类,而且只提取ESRI_Global-LULC_10mESRI_Global-LULC_10m数据集是由ESRI(环境系统研究研究所)开发的一个全球级别的土地利用/土地覆盖数据集。该数据集使用10米的空间分辨率,并提供了详细的土地利用/土地覆盖分类信息。该数据集基于多源的遥感影像数据,包括卫星图像和高分辨率航拍图像。这些数
- ubuntu22.04@laptop OpenCV Get Started: 015_deep_learning_with_opencv_dnn_module
lida2003
Linuxopencvdnn人工智能计算机视觉开源
ubuntu22.04@laptopOpenCVGetStarted:015_deep_learning_with_opencv_dnn_module1.源由2.应用Demo2.1C++应用Demo2.2Python应用Demo3.使用OpenCVDNN模块进行图像分类3.1导入模块并加载类名文本文件3.2从磁盘加载预训练DenseNet121模型3.3读取图像并准备为模型输入3.4通过模型进行前
- 【大厂AI课学习笔记】【2.2机器学习开发任务实例】(1)搭建一个机器学习模型
giszz
人工智能学习笔记人工智能学习笔记
今天学习的是,如何搭建一个机器学习模型。主要有以上的步骤:原始数据采集特征工程数据预处理特征提取特征转换(构造)预测识别(模型训练和测试)在实际工作中,特征比模型更重要。数据和特征的选择,已经决定了模型的天花板,模型算法只是去逼近这个上限。在上述的特征工程中:数据预处理,就是去除数据的噪声,例如文本中的错误、不再使用的词语等;特征提取,就是从原始数据中提取一些有效的特征。例如图像分类中,提取边缘、
- 高光谱图像降噪方法(2D Wavelet, 3D Wavelet, FORPDN, HyRes等方法)
哥廷根数学学派
信号处理图像处理时频分析matlab算法计算机视觉
近年来,随着遥感应用的不断深入,高光谱图像研究已经成为遥感领域发展最迅速的技术之一。与其他传统成像技术相比,高光谱图像具有更多优势:更丰富的信息量、纳米级的光谱分辨率以及范围更广且连续的光谱。因此,在农业、军事、环境监测和食品工业领域有着广泛的应用。高光谱图像巨大的应用潜力也使得对图像质量的要求日益提高。然而,由于成像系统和环境(传感器敏感度、光子效应、光线条件、校对误差)各种限制因素的影响,成像
- Matlab DNN多层感知机进行图像分类——附源码分享
我是狮子搏兔
Predictionmatlabmatlabdnnpython
提示:麻烦点赞,拒绝白嫖文章目录前言一、数据来源二、训练+预测_一步到位源码1.DNN.m总结前言Python不香吗?非得用matlab来搞机器学习的东西?不是不是,matlab也有集成了许多机器学习算法,当然,都是一些非常基础的机器学习算法。深度学习还是得向python看齐。今天试用了一下matlab自带的DNN模型,封装在newff函数里,寥寥几行代码,非常简洁。提示:以下是本篇文章正文内容,
- Seq2seq模型以及Beam Search
非洲小可爱
自然语言处理seq2seqbeansearch贪心算法
seq2seq模型及BeamsearchSeq2Seq是一个Encoder-Deocder结构的模型,输入是一个序列,输出也是一个序列。Encoder将一个可变长度的输入序列变为固定长度的向量,Decoder将这个固定长度的向量解码成可变长度的输出序列。目标是最大化该目标函数:seq2seq模型种类onetoone结构,仅仅只是简单的给一个输入得到一个输出,此处并未体现序列的特征,例如图像分类场景
- pytorch图像分类全流程(五)--图像分类算法精度评估指标
已经大四了,继续努力
datawhalepytorchpytorch分类深度学习
本次我们来学习图像分类算法精度的各种评估指标:precision、recall、accuracy、f1-score、AP、AUC。首先我们来学一个很重要的概念,混淆矩阵:1.精确率(Precision):指的是所有被判定为正类(TP+FP)中,真实的正类(TP)占的比例。2.召回率(Recall):指的是所有真实为正类(TP+FN)中,被判定为正类(TP)占的比例。3.准确率(accuracy):
- vue3结合openlayers,geoserver实现GIS一张图(WebGIS)
GIS小小白
javascriptvue.js前端arcgispostgresqlweb
一.前言不知不觉一年又要过去了,接触开发也就是这几个月的事情,感觉时间过的真快,今天就是除夕了,祝各位新年快乐呀,话说回来,其实在接触学习WebGIS的过程中还是蛮迷茫的,自己虽然是地信的学生,对于地理方面还有有一些自己的理解,但平时专业课学习的就是arcgis空间分析,遥感图像处理,WebGIS的部分并不是太重视,可能是因为没有那么多时间,毕竟这需要扎实的前端技能,不是一朝一夕就可以说明白的,当
- pytorch,cnn,rnn和yolo关系
小小娱乐
pytorchcnnrnn
卷积神经网络(ConvolutionalNeuralNetworks,CNN)和YOLO(YouOnly卷积神经网络(ConvolutionalNeuralNetworks,CNN)和YOLO(YouOnlyLookOnce)都是深度学习中的重要技术,它们在处理图像数据方面有着广泛的应用。CNN是一种以卷积为核心的神经网络,被广泛用于图像分类、物体检测等任务。YOLO则是一种基于CNN的目标检测算
- 低资源学习与知识图谱:构建与应用
cooldream2009
AI技术知识图谱知识图谱人工智能低资源
目录前言1低资源学习方法1.1数据增强1.2特征增强1.3模型增强2低资源知识图谱构建与推理2.1元关系学习2.2对抗学习2.3零样本关系抽取2.4零样本学习与迁移学习2.5零样本学习与辅助信息3基于知识图谱的低资源学习应用3.1零样本图像分类3.2知识增强的零样本学习3.3语义与知识信息的利用结语前言在当今人工智能领域,低资源学习成为一个备受关注的话题,尤其是在少样本学习和零样本学习方面。这种学
- 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