相关推荐

OpenOffice.org技术架构

实际上，OpenOffice.org之所以获得如此广泛的应用，是与它本身优秀的技术架构，开放、可扩展、标准化的XML文件格式规范，以及社区成员的广泛参与密不可分的。 本篇将主要介绍OpenOffice.org的技术体系结构，它的...

深入了解OpenOffice.org（一）-- OpenOffice.org简介

1996年起接触UNIX平台上的大型工业控制和分析软件系统研发，1997年开始尝试自由和开源软件，1999年完成了国内第一套基于GNU/Linux平台的能量管理/调度员培训仿真（EMS/DTS）一体化系统的移植工作，并于2000年在广西...

深入了解OpenOffice.org（一）

深入了解OpenOffice.org（一） 作者：路广 1.作者简历 1994年入学清华大学电机工程与应用电子技术系，2002年毕业于该系，获电气工程专业工学硕士学位。 1996年起接触UNIX平台上的大型工业控制和分析软件系统研发，...

深入了解OpenOffice.org（三）-- OpenOffice.org中的XML应用

上一篇重点介绍了OpenOffice.org的技术体系结构。它的分层架构、UNO组件模型、基于IDL的API和SDK等等都是使OpenOffice.org获得广泛应用和好评的技术优势所在。 OpenOffice.org中的另一大特点是完全公开并充分记录的...

OpenOffice.org中的XML应用

上一篇重点介绍了OpenOffice.org的技术体系结构。它的分层架构、UNO组件模型、基于IDL的API和SDK等等都是使OpenOffice.org获得广泛应用和好评的技术优势所在。 OpenOffice.org中的另一大特点是完全公开并充分...

深入了解OpenOffice.org（二）-- OpenOffice.org技术架构

实际上，OpenOffice.org之所以获得如此广泛的应用，是与它本身优秀的技术架构，开放、可扩展、标准化的XML文件格式规范，以及社区成员的广泛参与密不可分的。 本篇将主要介绍OpenOffice.org的技术体系结构，它的...

sourceforge 优秀 开源 项目 介绍

sourceforge优秀项目介绍...sourceforge优秀项目介绍之三：Ehcache 分布式缓存sourceforge优秀项目介绍之四：Hyperic HQ 企业监管 sourceforge优秀项目介绍之五：Firebird 数据库引擎 sourceforge优秀项目介绍之六

sourceforge优秀项目介绍

sourceforge优秀项目介绍： sourceforge优秀项目介绍之一：PowerFolder 文件同步 sourceforge优秀项目介绍之二：MindTouch 数据共享 sourceforge优秀项目介绍之三：Ehcache 分布式缓存 sourceforge优秀项目介绍之四...

sourceforge优秀项目

sourceforge优秀项目 分类： 非C/C++类 2010-07-23 20:58 130人阅读 评论(0) 收藏 ...sourceforge优秀项目介绍之一：PowerFolder ...sourceforge优秀项目介绍之三：Ehcache 分布式缓存 source

最大开源代码sourceforge 简介 及视音频方面常用的开源代码

所有的音视频凯源代码在这里：...0.视频项目 0.1 VLC media player VLC 多媒体播放器（最初为VideoLAN Client，是VideoLAN计划的开放源代码多媒体播放器。）支援众多音讯...

Sourceforge

SourceForge 是一套合作式软件开发管理系统。SourceForge本身是VA Software出售的专有软件。它集成了很多开源应用程序（例如PostgreSQL和SVN、CVS），为软件开发提供了整套生命周期服务。 SourceForge.net，又称...

装机必备：精选十款优秀的Linux应用软件

Linux是一个备受广大开源和开发者的操作系统平台，一方面得益于Linux开源开放，另一方面Linux平台上还有很多免费的应用软件可供使用。为此，我们今天为大家挑选了十大不可错过的Linux应用软件。 AD： Linux是一...

2025职业教育知识竞赛题库（含答案）.pptx

2025职业教育知识竞赛题库（含答案）.pptx

基于.NET Core MVC与SQL Server的在线考试管理系统：多角色操作、国际化支持、全套源码与文档附赠,.net core mvc在线考试系统 asp.net在线考试管理系统 主要技术：

基于.NET Core MVC与SQL Server的在线考试管理系统：多角色操作、国际化支持、全套源码与文档附赠,.net core mvc在线考试系统 asp.net在线考试管理系统 主要技术： 基于.net core mvc架构和sql server数据库，数据库访问采用EF core code first，前端采用vue.js和bootstrap。 功能模块： 系统包括前台和后台两个部分，分三种角色登录。 管理员登录后台，拥有科目管理，题库管理，考试管理，成绩管理，用户管理等功能。 教师登录后台，可进行题库管理，考试管理和成绩管理。 用户登录前台，可查看考试列表，参加考试，查看已考试的结果，修改密码等。 系统实现了国际化，支持中英两种语言。 源码打包： 包含全套源码，数据库文件，需求分析和代码说明文档。 运行环境： 运行需vs2019或者以上版本，sql server2012或者以上版本。 ,核心关键词： .net core mvc; asp.net在线考试管理系统; SQL Server数据库; EF core code first; vue.js; boot

C++编写的资产管理系统（带SQLServer数据库文件 ）

C++编写的资产管理系统（带SQLServer数据库文件。）。

递归最小二乘法在线识别轮胎前后侧偏刚度：应用sin工况效果显著，适用多种场景，附simulink模型及代码,1、基于递归最小二乘法在线识别轮胎前后侧偏刚度，图为在正弦曲线工况，估计侧偏刚度的大小，效果

递归最小二乘法在线识别轮胎前后侧偏刚度：应用sin工况效果显著，适用多种场景，附simulink模型及代码,1、基于递归最小二乘法在线识别轮胎前后侧偏刚度，图为在正弦曲线工况，估计侧偏刚度的大小，效果较好 2、此模型也可用于其他工况下的刚度估计，有需要的朋友可以自行去尝试 3、包含simulink模型和递归最小二乘侧偏刚度估计代码 ,基于递归最小二乘法; 轮胎侧偏刚度在线识别; 正弦曲线工况估计; Simulink模型; 递归最小二乘侧偏刚度估计代码。,递归最小二乘法在正弦曲线工况下的轮胎刚度在线识别模型

PLL锁相环技术实现：SMIC55工艺下20MHz参考频率三阶二型CPPLL，快速锁定至1GMHz并带环形振荡器与DIV模块功能,pll锁相环 cppll cadence 三阶二型锁相环 工艺smi

PLL锁相环技术实现：SMIC55工艺下20MHz参考频率三阶二型CPPLL，快速锁定至1GMHz并带环形振荡器与DIV模块功能,pll锁相环 cppll cadence 三阶二型锁相环 工艺smic55 参考频率20MHz 分频比50 锁定频率1GMHz 锁定时间2us 环形振荡器 ring vco PFD模块 DIV模块 45分频，ps counter CP模块 工艺smic55 ,核心关键词：PLL锁相环; CPPLL; 工艺SMIC55; 参考频率20MHz; 分频比50; 锁定频率1GHz; 锁定时间2us; 环形振荡器（Ring VCO）; PFD模块; DIV模块（45分频，ps counter）; CP模块。,"SMIC55工艺：PLL环及二型锁相环技术解析"

EKF SLAM 分析及matlab仿真源码

EKF SLAM matlab simulation. EKF SLAM 分析及matlab仿真源码。

CPRI IP License支持Xilinx Vivado全版本，无MAC绑定，永久有效授权,CPRI ip license xilinx vivado 支持Vivado各版本，不绑定mac，永久有

CPRI IP License支持Xilinx Vivado全版本，无MAC绑定，永久有效授权,CPRI ip license xilinx vivado 支持Vivado各版本，不绑定mac，永久有效 ,CPRI; IP license; Xilinx; Vivado; 不绑定Mac; 永久有效; 支持各版本。,"Xilinx Vivado支持：永久有效的CPRI IP License，不绑定MAC"

机器学习 KNN算法实现鸢尾花分类 （分类算法）

1.内容概要 通过KNN实现鸢尾花分类，即将新的数据点分配给已知类别中的某一类。该算法的核心思想是通过比较距离来确定最近邻的数据点，然后利用这些邻居的类别信息来决定待分类数据点的类别。 2.KNN算法的伪代码 对未知类别属性的数据集中的每个点依次执行以下操作： （1）计算已知类别数据集中的点与当前点之间的距离； （2）按照距离递增次序排序； （3）选取与当前点距离最小的k个点； （4）确定前k个点所在类别的出现频率； （5）返回前k个点出现频率最高的类别作为当前点的预测分类。 3.数据集说明 代码使用`pandas`库加载了一个名为`iris.arff.csv`的数据集 4.学习到的知识 通过鸢尾花分类学习了KNN算法，选择样本数据集中前k个最相似的数据，就是KNN算法中k的出处。k值过大，会出现分类结果模糊的情况；k值较小，那么预测的标签比较容易受到样本的影响。在实验过程中，不同的k值也会导致分类器的错误率不同。KNN算法精度高、无数据输入的假定，可以免去训练过程。但是对于数据量较多的训练样本，KNN必须保存全部数据集，可能会存在计算的时间复杂度、空间复杂度高的情况，存在维数灾难问